我已將此報(bào)告為關(guān)于熊貓問題的問題。同時(shí)，我將其發(fā)布在這里，以期節(jié)省其他人的時(shí)間，以防他們遇到類似的問題。在對需要優(yōu)化的過程進(jìn)行性能分析時(shí)，我發(fā)現(xiàn)將列重命名為IN120可以將性能（執(zhí)行時(shí)間）提高x120。分析表明這與垃圾收集有關(guān)（請參閱下文）。此外，通過避免dropna方法，可以恢復(fù)預(yù)期的性能。以下簡短示例演示了系數(shù)x12：import pandas as pdimport numpy as npinplace = True%%timeitnp.random.seed(0)r,c = (7,3)t = np.random.rand(r)df1 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)indx = np.random.choice(range(r),r/3, replace=False)t[indx] = np.random.rand(len(indx))df2 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)df = (df1-df2).dropna()## inplace rename:df.rename(columns={col:'d{}'.format(col) for col in df.columns}, inplace=True)100個(gè)循環(huán)，最佳3：每個(gè)循環(huán)15.6毫秒的第一條輸出線%%prun：ncalls tottime percall cumtime percall filename：lineno（function）1  0.018 0.018 0.018 0.018 {gc.collect}inplace = False%%timeitnp.random.seed(0)r,c = (7,3)t = np.random.rand(r)df1 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)indx = np.random.choice(range(r),r/3, replace=False)t[indx] = np.random.rand(len(indx))df2 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)df = (df1-df2).dropna()## avoid inplace:df = df.rename(columns={col:'d{}'.format(col) for col in df.columns})1000次循環(huán)，最好為3：每個(gè)循環(huán)1.24毫秒避免dropna通過避免該dropna方法，可以恢復(fù)預(yù)期的性能：%%timeitnp.random.seed(0)r,c = (7,3)t = np.random.rand(r)df1 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)indx = np.random.choice(range(r),r/3, replace=False)t[indx] = np.random.rand(len(indx))df2 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)#no dropna:df = (df1-df2)#.dropna()## inplace rename:df.rename(columns={col:'d{}'.format(col) for col in df.columns}, inplace=True)1000個(gè)循環(huán)，每個(gè)循環(huán)最好3：865 μs1000個(gè)循環(huán)，最好為3：每個(gè)循環(huán)902 μs