ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Writing Efficient Python Code

ระดับกลางระดับทักษะ

อัปเดตแล้ว 01/2569

Learn to write efficient code that executes quickly and allocates resources skillfully to avoid unnecessary overhead.

เริ่มเรียนหลักสูตรฟรี

PythonProgramming4 ชม.15 videos52 Exercises4,000 เอ็กซ์พี150K+คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

As a Data Scientist, the majority of your time should be spent gleaning actionable insights from data -- not waiting for your code to finish running. Writing efficient Python code can help reduce runtime and save computational resources, ultimately freeing you up to do the things you love as a Data Scientist. In this course, you'll learn how to use Python's built-in data structures, functions, and modules to write cleaner, faster, and more efficient code. We'll explore how to time and profile code in order to find bottlenecks. Then, you'll practice eliminating these bottlenecks, and other bad design patterns, using Python's Standard Library, NumPy, and pandas. After completing this course, you'll have the necessary tools to start writing efficient Python code!The videos contain live transcripts you can reveal by clicking "Show transcript" at the bottom left of the videos. The course glossary can be found on the right in the resources section. To obtain CPE credits you need to complete the course and reach a score of 70% on the qualified assessment. You can navigate to the assessment by clicking on the CPE credits callout on the right.

ข้อกำหนดเบื้องต้น

Data Types in Python Python Toolbox

1

Foundations for efficiencies

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.

50 เอ็กซ์พี

Pop quiz: what is efficient

50 เอ็กซ์พี

A taste of things to come

100 เอ็กซ์พี

Zen of Python

50 เอ็กซ์พี

Building with built-ins

50 เอ็กซ์พี

Built-in practice: range()

100 เอ็กซ์พี

Built-in practice: enumerate()

100 เอ็กซ์พี

Built-in practice: map()

100 เอ็กซ์พี

The power of NumPy arrays

50 เอ็กซ์พี

Practice with NumPy arrays

100 เอ็กซ์พี

Bringing it all together: Festivus!

100 เอ็กซ์พี

เริ่มบท

2

Timing and profiling code

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.

Examining runtime

50 เอ็กซ์พี

Using %timeit: your turn!

100 เอ็กซ์พี

Using %timeit: specifying number of runs and loops

50 เอ็กซ์พี

Using %timeit: formal name or literal syntax

100 เอ็กซ์พี

Code profiling for runtime

50 เอ็กซ์พี

Pop quiz: steps for using %lprun

50 เอ็กซ์พี

Using %lprun: spot bottlenecks

50 เอ็กซ์พี

Using %lprun: fix the bottleneck

50 เอ็กซ์พี

Code profiling for memory usage

50 เอ็กซ์พี

Pop quiz: steps for using %mprun

50 เอ็กซ์พี

Using %mprun: Hero BMI

50 เอ็กซ์พี

Using %mprun: Hero BMI 2.0

50 เอ็กซ์พี

Bringing it all together: Star Wars profiling

100 เอ็กซ์พี

เริ่มบท

3

Gaining efficiencies

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

50 เอ็กซ์พี

Combining Pokémon names and types

100 เอ็กซ์พี

Counting Pokémon from a sample

100 เอ็กซ์พี

Combinations of Pokémon

100 เอ็กซ์พี

50 เอ็กซ์พี

Comparing Pokédexes

100 เอ็กซ์พี

Searching for Pokémon

100 เอ็กซ์พี

Gathering unique Pokémon

100 เอ็กซ์พี

Eliminating loops

50 เอ็กซ์พี

Gathering Pokémon without a loop

100 เอ็กซ์พี

Pokémon totals and averages without a loop

100 เอ็กซ์พี

Writing better loops

50 เอ็กซ์พี

One-time calculation loop

100 เอ็กซ์พี

Holistic conversion loop

100 เอ็กซ์พี

Bringing it all together: Pokémon z-scores

100 เอ็กซ์พี

เริ่มบท

4

Basic pandas optimizations

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

50 เอ็กซ์พี

Iterating with .iterrows()

100 เอ็กซ์พี

Run differentials with .iterrows()

100 เอ็กซ์พี

Another iterator method: .itertuples()

50 เอ็กซ์พี

Iterating with .itertuples()

100 เอ็กซ์พี

Run differentials with .itertuples()

100 เอ็กซ์พี

pandas alternative to looping

50 เอ็กซ์พี

Analyzing baseball stats with .apply()

100 เอ็กซ์พี

Settle a debate with .apply()

100 เอ็กซ์พี

Optimal pandas iterating

50 เอ็กซ์พี

Replacing .iloc with underlying arrays

100 เอ็กซ์พี

Bringing it all together: Predict win percentage

100 เอ็กซ์พี

Congratulations!

50 เอ็กซ์พี

เริ่มบท

Writing Efficient Python Code

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในแทร็กต่อไปนี้

Data Engineer in Pythonการรับรอง

Python for Software Engineering

Python Programming

instructors

Logan Thomas

Scientific Software Technical Trainer, Enthought

collaborators

Chester Ismay

Becca Robins

Courses resources

Baseball statisticsdatasets

Course Glossarydatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Writing Efficient Python Code วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา