Python 访问和操作数据库的最有效方法是什么

我正在从事一个基于代理的建模项目，有一个800x800网格表示一个景观。此网格中的每个单元格都指定了某些变量。其中一个变量是“植被”（即该单元所具有的功能类型）。我的数据名气如下：

---

在我访问此数据帧之前，每个单元格都分配了一个横向类型。然后，我在800x800网格中循环每个单元格并分配更多变量，因此，例如，如果单元格1是横向类型4，我需要访问上述数据帧，为每个功能类型生成一个介于最小和最大物种百分比之间的随机数，然后分配所有变量（即花粉装载、连续时间等）但是，对于该单元格的横向类型，如果随机数的总和，则需要将尽可能多的计算提取到矢量化预处理步骤中。例如，在800x800循环中，您有：

burn_s_m_p = round(2-(1/(1 + (math.exp(- (self.landscape.soil_moisture[x, y] * 3)))) * 2),4)

在初始化过程中，不要执行这行800x800次，只需执行一次即可：

burn_array = np.round(2-(1/(1 + (np.exp(- (self.landscape.soil_moisture * 3)))) * 2),4)

现在，在您的循环中，它只是：

burn_s_m_p = burn_array[x, y]

---

将此技巧应用于其他类似行。

请编辑您的帖子，展示如何调用此方法，特别是循环。谢谢。这无疑将加快这些部件的速度。然而，我真的想想出一种更快/更有效的方法，将df的子集添加到每个对象。我感谢你的建议。Thanks@TjBethells：只需一步一个脚印，将当前显而易见的问题矢量化，然后在完成后测量节省的时间，记下它，如果仍然不够快，则发布新问题。一个相关的低挂水果是

veg\u this\u patch.apply（lambda…

）-我打赌你可以在不使用

apply（）

的情况下找到解决方法，这将非常有帮助。谢谢。我已经实施了您建议的更改，并看到速度有所提高。非常感谢。如果没有创建_植被的调用，我的模型现在只需几秒钟即可加载，但是，包括创建_植被的调用将导致10-15分钟的加载时间！这里的最佳实践是什么？接受此答案并创建另一个问题？谢谢。@TjBethells:是的，我认为吸取这个问题中的经验教训，接受这个答案，然后发布一个新问题，其中包含更新的代码和更新的性能数字（以及您的性能目标！）。你可以在这里发布一个指向该问题的链接。

burn_array = np.round(2-(1/(1 + (np.exp(- (self.landscape.soil_moisture * 3)))) * 2),4)

burn_s_m_p = burn_array[x, y]