关于字典的遍历操作以下描述正确的是,
for…in迭代循环首先介绍Python中最常用的for…in循环遍历。for…in循环结构用于遍历列表、元组、字典、字符串、集合、文件等。事实上，for和In是两个独立的语法。for语句是Python内置的迭代器工具，用于从可迭代的容器对象(如列表、元组、字典、字符串、集合、文件等)中读取元素。)一个接一个，直到容器里没有更多的元素。只要遵循iterable协议，就可以在工具和对象之间执行迭代操作。in的存在让python对iterable对象的操作变得简单很多，用for来逐个取iterable对象的元素。
for语句涉及的具体迭代过程是：被迭代的对象通过迭代器方法返回迭代器，迭代器有下一个方法。for循环不断调用下一个方法，每次在迭代器中按顺序返回值，直到迭代结束，抛出异常StopIteration(Python没有更多的元素了(Python会自动处理异常)。迭代过程如下：
#迭代过程x=[1，2，3]ITS=x . _ _ ITER _ _()# list是迭代对象，否则会提示不是迭代对象print(its)#打印结果：list _ iterator对象在0x 100 f 32198 Print(next(ITS))# ITS包含此方法，说明其是迭代器#打印结果：1print(next(its)) #打印结果：2print(next(its)) #打印结果：3print(next(its)) #打印结果：traceback (most inmodulestiteration迭代的优点是不需要将所有元素一次性加载到内存中，在调用下一个方法时可以逐个返回元素，避免了内存空间不足的情况。
用于…在流通中实现单均线突破策略。遍历所有交易日的收盘价值和Ma20值，用Ma20值减去收盘价值，用np.sign()取差号。收盘价在Ma20以上时，差值为正；当收盘价高于和低于Ma20时，差值为负。由负转正对应买点，由正转负对应卖点。如下
def in _ looping(df):df[ signal ]=0 # df=df . assign(signal=0)# assign可用于在np.arange (0，df.shape [0])中为I添加新列：df.iloc [i， df . columns . get _ loc( signal )]=NP . sign(df . iloc[I][ Close ]-df . iloc[I][ Ma20 ])return df print(for in _ looping(df _ stock load)[0:5] 高低开收盘成交量调整收盘Ma20信号日期2018-01-29 3587.0 3510.3 3563.6 3523.0 236000 3523.0 3523.0 所谓生成器，其实就是一个特殊的迭代器，内部支持迭代器协议。Python提供了生成器函数和生成器表达式来实现生成器。每个请求都返回一个结果，所以不需要一次建立一个结果列表，这样可以节省内存空间。
在Python 3中，可以使用range返回迭代器，一次遍历一个范围的一个值。
# generator def gen squares(n):for I in range(n):yield I * * 2 Print(gen squares(5))由Generator函数实现# Print result:Generator Object gen squares at0x 11 a 35 cf 48 for I in gen squares(5):Print(I)# Print result:014916实际上yield相当于一个return，只不过return返回一个值，而yield返回一个生成器。其他的都一样，所以return或者yield只能用在函数中。
生成器是一个类似于列表解析的对象，根据需要生成结果。例程代码如下：
#生成器表达式实现生成器打印的方式(x**2 for x in range(5))#打印结果：生成器对象gen expr at0x B3 d 31 fa 4 print(list(x * * 2 for x in range(5))#打印结果：[0，1，4，9，16]通过iterrows()迭代计算股票每个交易日收盘价与Ma20的差值。这里，iterrows是一个以dataframe格式迭代数据行的生成器，它返回每一行的索引和包含行本身的对象。代码如下：
#iterrows()遍历模式def ITER rows _ looper(df):df[ signal ]=0 # df=df . assign(signal=0)# assign可用于为index添加新列，df.iterrows()中的row:df . loc[index， signal ]=NP . sign(row[ Close ]-row[ Ma20 ])return df print(ITER rows _ Loop ITER(df _ stock load)[0:5]) 高低开盘收盘成交量调整收盘Ma20信号日期2018-01-29 3587.0 3510.3 3563.6 3523.0 236000 3523.0 3454.3 1.02018-01-30 30 函数以lambda模式嵌入代码，lambda是匿名函数，可以省去定义函数的过程，让代码更加简洁。lambda函数的结尾包含轴参数，该参数用于告诉Pandas将函数应用于行(轴=1)或列(轴=0)。apply()方法循环实现代码如下：
df _ stock load[ signal ]=df _ stock load . apply(lambda row:(NP . sign(row[ Close ]-row[ Ma20 ])，axis=1)print(df_stockload.head()) 高低开收盘量调整收盘Ma20信号日期2018-01-29 3587.0 3510.3 3563.6 3523.0 236000 3523.0 3454 . 3 1.020
我们来看看熊猫系列的矢量化。
Pandas的DataFrame和series基本单元数据结构是基于链表的，所以函数可以在整个链表上矢量化，而不需要依次执行每个值。
Pandas包含了非常丰富的矢量化函数库，我们可以将整个系列(列)作为参数传递来计算整个链表。熊猫系列的矢量化代码如下：
# panda系列df _ stock load[ signal ]=NP . sign(df _ stock load[ close ]-df _ stock load[ ma20 ])print(df _ stock load . head())的矢量化模式高开低走收盘成交量调整收盘Ma20信号日期2018-01-29 3587.0 3510.3 3563.6 3523.0 236000 3523.0 3454.3 1.02018-01-30 3523.1 3484.7 3511.5 3488.0 186400 3488.0 3461.3 1 . 1.02018
我们可以使用values方法将链表从Pandas系列转换为numpy数组，并将NumPy数组作为参数传递来计算整个链表。numarrays的矢量化代码如下：
#数字数组的矢量化方式df _ stock load[ signal ]=NP。符号(df _ stock load[ Close ]).值-df_stockload[Ma20].values)print(df_stockload.head()) 高开低走收盘成交量调整收盘Ma20信号日期2018-01-29 3587.0 3510.3 3563.6 3523.0 236000 3523.0 3454.3 1.02018-01-30 3523.1 3484.7 3511.5 3488.0 186400 3488.0执行效率对比#使用时间方法对比方法参考例程如下，需要导入时间模块：从导入时间开始timeitdef test1():for in _ loop(df _ stock load)def test2():ITER行_ loop ITER(df _ stock load)def test3():df _ stock load[ signal ]=df _ stock load。应用(lambda行：(NP。sign(row[ Close ]-row[ Ma20 ])，axis=1)def test 4():df _ stock load[ sign ]=NP。符号(df _ stock load[ Close ]-df _ stock load[值- df_stockload[Ma20].值)#for.在循环迭代方式t1=timeit(test1()， from __main__ import test1 ，number=100)#iterrows()遍历方式t2=timeit(test2()， from __main__ import test2 ，number=100)#apply()方法循环方式t3=timeit(test3()， from __main__ import test3 ，number=100)#Pandas系列的矢量化方式t4=timeit(test4()， from __main__ import test4 ，number=100)#Numpy数组的矢量化方式：t5=timeit(test5()， from __main__ import test5 ，number=100)print(t1，t2，t3，t4，t5)# 14 . 59684 . 68686868661总结
可以看出循环执行的速度是最慢的，iterrows()针对熊猫的数据帧进行了优化，相比直接循环有显著提升应用()方法也是在行之间进行循环，但由于利用了类似Cython的迭代器的一系列全局优化，其效率要比iterrows高很多。
NumPy数组的矢量化运行速度最快，其次是熊猫系列矢量化。
由于矢量化是同时作用于整个序列的，可以节省更多的时间，相比使用标量操作更好，NumPy使用预编译的C代码在底层进行优化，同时也避免了熊猫系列操作过程中的很多开销，例如索引、数据类型等等，因此，NumPy数组的操作要比熊猫系列快得多。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。