November 2023
Intermediate to advanced
576 pages
13h 30m
German
In den vorherigen Kapiteln haben wir festgestellt, dass die Leistungsfähigkeit der PyData-Umgebung auf der Fähigkeit von NumPy und Pandas beruht, grundlegende Operationen mittels einer intuitiven Syntax in maschinennahe kompilierte Anweisungen zu verschieben. Beispiele hierfür sind vektorisierte Operationen und Broadcasting in NumPy sowie Gruppierungsoperationen in Pandas. Diese Abstraktionen sind zwar für viele gängige Anwendungsfälle effizient und effektiv, sie beruhen jedoch häufig auf dem Erzeugen zwischenzeitlich vorhandener temporärer Objekte, was zu einem übermäßigen Aufwand an Rechenzeit und Speicherbedarf führen kann.
Um hier Abhilfe zu schaffen, bringt Pandas einige Methoden mit, die ...
Read now
Unlock full access