我正在从头开始编写决策树算法，目前我试图将数据分成几组，每组包含大于或等于或小于NumPy数组中某个连续DataFrame列的值的元素，并获取这些分组的目标值的平均值。我目前的代码如下：
for i in range(len(columns)): col = columns[i] # cont - 我的DataFrame中连续列的列表 if col in cont: values = xs[col].values targets = y.values for j in range(len(values)): value = values[j] greater_idx = np.where(values >= value)[0] less_idx = np.where(values < value)[0] targets_greater = targets[greater_idx].sum() targets_less = targets[less_idx] .sum() print(targets_greater/(j+1)) print(targets_less /(j+1))xs DataFrame的长度接近40万，因此循环非常慢，每次都会导致我的Jupyter Notebook内核崩溃。我知道应该有办法完全去掉这个循环，但我不知道该怎么做。
回答：
与其使用向量化方式进行比较，还有很多算法改进的空间：
- 使用
np.argsort获取xs[col].values的排序索引（sorted_idxs）。 - 使用
np.insert(np.cumsum(targets[sorted_idxs]), 0, 0)[:-1]可以为xs[col].values中的每个值得到一个target_less向量。 target_less[0]（0）是xs[col].values中最低元素的target_less值 – 要“取消排序”target_less，可以使用unsort_idx = np.argsort(sorted_idxs)和target_less[unsort_idx]。
现在您已经为数组中的所有值获取了所有target_less值（当然，target_greater可以通过targets.sum() - target_less轻松获得）。
编辑：
以下是与建议配套的代码：
import numpy as npimport pandas as pdxs = pd.DataFrame(np.random.random(10000))y = pd.Series(np.random.randint(0, 2, size=10000))sorted_idxs = np.argsort(xs[0].values)sorted_values = xs[0].values[sorted_idxs]sorted_targets = y.values[sorted_idxs]sorted_targets_less = np.insert(np.cumsum(sorted_targets), 0, 0)[:-1]unsorted_idxs = np.argsort(sorted_idxs)targets_less = sorted_targets_less[unsorted_idxs]for i, target_less_value in enumerate(targets_less): assert target_less_value == y.values[np.where(xs.values < xs.values[i])[0]].sum()一个警告：上述假设xs.values中的值是严格不同的。如果您有重复的值，那么您需要调整执行累积和的部分。
