对于这么大的数据量进行遍历操作，使用for循环的 效率是比较低的，可以尝试使用apply 或者map进行操作：

（1）apply：

· 既可以用在DataFrame，也可以用到单独的Series中

· 运用到DataFrame时，是用到了整行或者整列上，不是逐一运用到每个元素上

· 运用到Series时，作用到每个元素上

· 第一个参数只接收python原生函数或者numpy中的函数

（2）map

· 只能运用到Series的每个元素上

· 参数可以是函数也可以是字典，还可以是序列

（3）applymap

· 只能应用在DataFrame中，并且是作用在DataFrame的每个元素中

· 参数只接收可调用的函数

（1）可以先读取数据，然后使用dataframe的转置功能df.T进行行列的互换

（2）也可以使用数据透视表pivot_table，pivot_table() 的特点就是默认显示指定索引列和所有数值列。索引显示的是唯一值，所以会把对应的数值处理成均值。其他str类型的列都会自动忽略。当然，使用pivot_table() 时，可以通过添加参数进行计数或求和

原因是因为Python底层由C来写，调用底层C语言在编译时无法解析这个参数的名称，而目前Python的底层设计无法解决这个问题，所以直接传入参数即可，不要加入default=，这里语法没问题。

（1）错误写法：

d = {

'key': 2,

}

print(d.get("key", default=0))

（2）正确写法：

d = {

'key': 2,

}

print(d.get("key", 0))

随着人工智能的热度越来越高，Python这个词我们听到的越来越多，伴随着Python这个单词一起涌入我们视线的还有很多句子：人生苦短，我用Python;Python-人工智能第一语言等等这样的句子。Python真的如大家说的那样这么厉害么？在所有编程语言里，Python并不算年轻，从1991年发布第一个版本，至今已经快30年了。最近几年，随着人工智能概念的火爆，Python迅速升温，成为众多AI从业者的首选语言。那么Python到底有什么魔力呢?我们从四个要点看看为什么Python能够成为人工智能的第一语言。

简便，直观且通俗易懂，新手福音，跟其他语言比较，

Python有着简便、直观且通俗易懂的优势。

编译

VS 解释

，

Python是一门解释型语言。充当编程语言与机器语言的翻译官是解释器，解释器不会一次把整个程序翻译出来，而是每翻译一行程序叙述就立刻运行，然后再翻译下一行再运行，不产生目标程序。解释器就像是同声口译，编程语言每说完一句话，解释器立即翻译给计算机，计算机立即执行程序。

而且还提供了丰富的计算库和可视化库。比如数据神器

NumPy

、可视化库

Matplotlib

、网络爬虫库：

requests、scrapy、selenium、beautifulSoup

；建模库：

nltk、keras、sklearn

等

语言简单易学，支持库丰富强大，这两大支柱从早期就奠定了

Python的发展基础。技术的普及推广就像滚雪球，早期的积累相对缓慢，一旦过了临界点，就是大爆发。别的不说，就说现在tensorflow，caffe之类的深度学习框架，主体都是用Python来实现，提供的原生接口也是Python。

正是由于上述的

特点，Python在人工智能领域中已经遥遥领先其他的语言占据了头把交椅。