详细内容或原文请订阅后点击阅览
在自由线python中使用不变的数据框来解放性能
staticframe和python 3.13T如何使基于线程的并发启用自由线程python中无数数据范围的邮政释放性能首先出现在数据科学上。
来源:走向数据科学数据框的每一行是一个常见的操作。这些操作令人尴尬地平行：每行都可以独立处理。使用多核CPU，可以一次处理许多行。
直到最近，在Python中利用这一机会。全局解释器锁（GIL）列出了多线程功能应用程序，即CPU结合。
Python现在提供了一个解决方案：使用Python 3.13的“实验自由线程构建”，删除了GIL，并且可以使用CPU结合操作的真正多线程并发。
性能优势是非凡的。利用自由线程python，staticframe 3.2可以在数据框架上执行行列功能应用程序，至少是单线程执行的两倍。
staticframe例如，对于一百万个整数的平方数据框，我们可以使用lambda s：s.loc [s％2 == 0] .sum（）计算所有偶数值的总和。当使用Python 3.13T（“ t”表示自由线程变体）时，持续时间（用ipython％TimeIt测量）下降了60％以上，从21.3 ms到7.89 ms：
lambda s：s.loc [s％2 == 0] .sum（）
ipython
％timeit
＃python 3.13.5实验自由线程构建（Main，6月11日，2025，15：36：57）[clang 16.0.0（Clang-1600.0.26.6）]在darwin >>> darwin >>> darwin >>> notpy in numpy上；导入static_frame作为sf >>> f = sf.frame（np.Arange（1_000_000）.RESHAPE（1000，1000））>>> func = lambda s：s.loc [s％2 == 0] .sum（）.sum（）>>％timeit f.iter_ser_series f.iter_series（Axis = 1）.apply（axis）.apply（exis）.apply（exis）。 std。
staticframe中的行范围功能应用程序使用iter_series（axis = 1）接口，然后使用appla（）（用于单线读取应用程序）或applion_pool（）用于多线程（use_threads = true）或多processed（use_trece）或多processed（use_threads = false）。
iter_series（axis = 1）
应用（）
apply_pool（）
use_threads = true
use_threads = false