Python Numpy/Pandas优化向量操作

假设我有一个数据帧df：

  Vx    Vy
0 1.00  1.00
1 2.00  3.00
2 1.50  1.75 

目标是创建一个新列

df['Vmagnitude']

，定义为Vx和Vy之间向量和的大小，如：

使用numpy/pandas实现此功能的最快和/或最具Python风格的方法是什么？

您可以使用：

---

您可以将新的列幅值定义为向量的平方根之和，如下所示

import pandas as pd
import numpy as np 


d = {'Vx':[1,2,1.5], 'Vy':[1,3,1.75]}
df = pd.DataFrame(data=d)
df['Magnitude'] = np.sqrt(df['Vx'].pow(2) + df['Vy'].pow(2))
print(df)

输出：

    Vx    Vy  Magnitude
0  1.0  1.00   1.414214
1  2.0  3.00   3.605551
2  1.5  1.75   2.304886

一种快速的方法（例如，在3D游戏中的性能）是不使用sqrt，只将

x²+y²=x*x+y*y

存储在VMagnitureSquare列中，或者以您喜欢的方式存储。 在大多数情况下，对于进一步的计算，您可以直接使用它

这一切都归结为sqrt函数“慢”。

---

但这取决于您的使用情况。

当问题变得严重时，您可以尝试使用pandas eval。确保您安装了numexpr以获得增益（

pip install numexpr

），请参阅以了解其工作原理。如果已安装，Pandas只需将此功能包装到

.eval

方法中

import pandas

df = pandas.DataFrame( random.random((5000000,2)), columns=('vx', 'vy'))

df.eval("vmag = sqrt(vx**2 + vy**2)", engine='numexpr', inplace=True)

我认为这是最好的选择，numexpr使用多线程

In [24]: %timeit np.linalg.norm( df[["vx", "vy"]], axis=1)
1 loop, best of 3: 266 ms per loop

In [25]: %timeit df.eval("sqrt(vx**2 + vy**2)", engine='python')
10 loops, best of 3: 144 ms per loop

In [26]: %timeit df.eval("sqrt(vx**2 + vy**2)", engine='numexpr')
10 loops, best of 3: 42 ms per loop

---

另请参阅以了解如何提高性能

np.sqrt（df.Vx.pow（2）+df.Vy.pow（2））

或

np.sqrt（df.pow（2.sum（1））

，如果这是完整的答案。我不知道numpy内置了震级

import pandas

df = pandas.DataFrame( random.random((5000000,2)), columns=('vx', 'vy'))

df.eval("vmag = sqrt(vx**2 + vy**2)", engine='numexpr', inplace=True)

In [24]: %timeit np.linalg.norm( df[["vx", "vy"]], axis=1)
1 loop, best of 3: 266 ms per loop

In [25]: %timeit df.eval("sqrt(vx**2 + vy**2)", engine='python')
10 loops, best of 3: 144 ms per loop

In [26]: %timeit df.eval("sqrt(vx**2 + vy**2)", engine='numexpr')
10 loops, best of 3: 42 ms per loop