In this chapter, you'll learn what it means to write efficient Python code. You'll explore Python's Standard Library, learn about NumPy arrays, and practice using some of Python's built-in tools.  This chapter builds a foundation for the concepts covered ahead.

Welcome!

Pop quiz: what is efficient

A taste of things to come

Zen of Python

Building with built-ins

Built-in practice: range()

Built-in practice: enumerate()

Built-in practice: map()

The power of NumPy arrays

Practice with NumPy arrays

Bringing it all together: Festivus!

Foundations for efficiencies

In this chapter, you will learn how to gather and compare runtimes between different coding approaches.  You'll practice using the line_profiler and memory_profiler packages to profile your code base and spot bottlenecks. Then, you'll put your learnings to practice by replacing these bottlenecks with efficient Python code.

Menganalisis waktu eksekusi

Menggunakan %timeit: giliran Anda!

Menggunakan %timeit: menentukan jumlah run dan loop

Menggunakan %timeit: nama formal atau sintaks literal

Pemprofilan kode untuk runtime

Kuis cepat: langkah menggunakan %lprun

Menggunakan %lprun: temukan bottleneck

Menggunakan %lprun: perbaiki bottleneck

Profiling kode untuk penggunaan memori

Kuis singkat: langkah-langkah menggunakan %mprun

Menggunakan %mprun: BMI Pahlawan Super

Menggunakan %mprun: Hero BMI 2.0

Menggabungkan semuanya: profiling Star Wars

Timing and profiling code

This chapter covers more complex efficiency tips and tricks. You'll learn a few useful built-in modules for writing efficient code and practice using set theory.  You'll then learn about looping patterns in Python and how to make them more efficient.

Efficiently combining, counting, and iterating

Combining Pokémon names and types

Counting Pokémon from a sample

Combinations of Pokémon

Set theory

Comparing Pokédexes

Searching for Pokémon

Gathering unique Pokémon

Eliminating loops

Gathering Pokémon without a loop

Pokémon totals and averages without a loop

Writing better loops

One-time calculation loop

Holistic conversion loop

Bringing it all together: Pokémon z-scores

Gaining efficiencies

This chapter offers a brief introduction on how to efficiently work with pandas DataFrames. You'll learn the various options you have for iterating over a DataFrame. Then, you'll learn how to efficiently apply functions to data stored in a DataFrame.

Intro to pandas DataFrame iteration

Iterating with .iterrows()

Run differentials with .iterrows()

Another iterator method: .itertuples()

Iterating with .itertuples()

Run differentials with .itertuples()

pandas alternative to looping

Analyzing baseball stats with .apply()

Settle a debate with .apply()

Optimal pandas iterating

Replacing .iloc with underlying arrays

Bringing it all together: Predict win percentage

Congratulations!

Basic pandas optimizations

Baseball statistics

Course Glossary

Sebagai Data Scientist, sebagian besar waktu Anda seharusnya digunakan untuk mendapatkan wawasan yang dapat ditindaklanjuti dari data — bukan menunggu kode selesai dijalankan. Menulis kode Python yang efisien dapat membantu mengurangi waktu eksekusi dan menghemat sumber daya komputasi, sehingga pada akhirnya memberi Anda lebih banyak waktu untuk melakukan hal-hal yang Anda sukai sebagai Data Scientist. Di kursus ini, Anda akan belajar menggunakan struktur data, fungsi, dan modul bawaan Python untuk menulis kode yang lebih bersih, lebih cepat, dan lebih efisien. Kita akan membahas cara mengukur waktu dan melakukan profiling kode untuk menemukan hambatan kinerja. Lalu, Anda akan mempraktikkan cara menghilangkan hambatan tersebut, serta pola desain yang buruk lainnya, menggunakan Python Standard Library, NumPy, dan pandas. Setelah menyelesaikan kursus ini, Anda akan memiliki perangkat yang diperlukan untuk mulai menulis kode Python yang efisien!

Video dilengkapi transkrip langsung yang dapat Anda tampilkan dengan mengeklik "Show transcript" di bagian kiri bawah video.
Glosarium kursus dapat ditemukan di sebelah kanan pada bagian sumber daya.
Untuk memperoleh kredit CPE Anda perlu menyelesaikan kursus dan mencapai skor 70% pada penilaian yang memenuhi syarat. Anda dapat membuka penilaian dengan mengeklik pemberitahuan kredit CPE di sebelah kanan.

Data Types in Python

Python Toolbox

Pelajari menulis kode efisien yang cepat dan mengelola sumber daya dengan baik untuk menghindari beban.

Profiling kode untuk penggunaan memori

Create Your Free Account