所有文章
计算部分相关系数矩阵
本文使用相关系数的矩阵表达形式，实现了计算部分相关系数矩阵的加速算法，并实证检验了三种计算相关系数矩阵方法的运行速度。
- 在计算部分相关系数矩阵时，自定义的加速算法 相比 Pandas
.corr()方法提速约 2180 倍，比 Numpy.corrcoef()方法提速约 115 倍。 - 在计算全部相关系数矩阵时，Numpy
.corrcoef()方法比自定义的加速算法略快 \(10\%\)，比 Pandas.corr()方法快约 20 倍。
Python 3.12 新特性：@override 装饰器
Python 3.12 引入了 @override 装饰器，可以用来指定该方法是用来覆盖基类方法的。
新特性简介
在继承基类后，如果我们想覆盖基类中的某个方法 original()，我们可以改写该方法。然而，如果我们不小心将方法名拼写错误为 ooooriginal()，即一个基类中不存在的方法，那么当调用子类的 original() 方法时，实际上会调用基类中的方法，而且程序不会产生错误。这种情况下，我们可能无法察觉到问题的存在。
为了解决这个问题，我们可以使用 @override 注解来明确表示方法的覆盖关系。这样程序会检查 ooooriginal() 方法是否在基类中存在。由于 ooooriginal() 方法并未在基类中定义，程序会报错，从而帮助我们发现错误。
简而言之，使用 @override 注解可以帮助我们检测覆盖方法是否正确，避免潜在的错误。
Pandas 根据日期进行分组
问题背景：有一个分钟级别索引的数据框，需要根据日期进行分组聚合计算。
- 简单的
.groupby('datetime')无法实现按日期分组。 .groupby(pd.Grouper(level='datetime', freq='D'))会为原始数据中不存在的日期填充空值（例如，在股票数据中，周末、节假日等非交易日会被填充为空值）。- 如果分组后调用的是
.mean()，则会出现这个问题。 - 如果分组后调用的是
.transform('mean')，则不存在这个问题。
- 如果分组后调用的是
本文记录了可以正确根据日期进行分组的方法。
Python 使用 * 以强制调用者使用关键字参数
在 Python 中，函数可以接受不同类型的参数，包括位置参数和关键字参数。位置参数必须按照特定的顺序传递给函数，而关键字参数可以根据参数名指定。
在某些情况下，我们可能希望定义一个函数，其中一部分参数只能以关键字形式指定。为此，我们可以使用独立的 * 号来分隔这些参数。
使用 pyflyby 自动管理导入包
在编写 Python 代码时，尤其是在构建复杂的项目时，你是否遇到过这些问题：
-
忘记
import某个包了； -
import了很多包，但不知道哪些是可以删掉的？
在 Python 开发过程中，我们经常需要导入一些第三方包或自定义的模块。但是，手动导入这些包和模块有时候会变得非常繁琐和冗长。由 D. E. Shaw group 贡献的开源工具 pyflyby 可以自动为我们管理这些导入，帮助我们轻松解决这些问题！
Python @lru_cache 内置 LRU 缓存
Python 内置模块 functools 的一个高阶函数 @lru_cache 是一个为函数提供缓存功能的装饰器，缓存 maxsize 组传入参数，在下次以相同参数调用时直接返回上一次的结果。用以节约高开销或 I/O 函数的调用时间。
在递归计算斐波那契数列的第 30 项时，使用 @lru_cache 可使速度提升约 400 万倍。
Pandas 向前与居中滚动计算
Pandas 中的 rolling 默认是向后（也就是向上）获取滚动窗口，如果需要向前（也就是向下）或者居中（也就是同时向上和向下）获取滚动窗口，则可以分别使用 pd.api.indexers.FixedForwardWindowIndexer 和 center=True 来实现。
本文还使用了 .shift(-1) 实现向前或者居中获取滚动窗口，并对比了这种方法与上述方法所得结果的差异。
| data | forward_using_FixedForwardWindowIndexer | forward_using_shift | center_using_center | center_using_shift | |
|---|---|---|---|---|---|
| 0 | 1.0 | 3.0 | 3.0 | 3.0 | 3.0 |
| 1 | 2.0 | 2.0 | 2.0 | 3.0 | 3.0 |
| 2 | NaN | 4.0 | 4.0 | 6.0 | 6.0 |
| 3 | 4.0 | 9.0 | 9.0 | 9.0 | 9.0 |
| 4 | 5.0 | 5.0 | NaN | 9.0 | NaN |