为了优化这段代码以提升其运行速度，可以从以下几个方面入手： ### 1. **减少不必要的循环和条件判断** 在这段代码中存在大量的嵌套循环与复杂的条件分支，这会显著降低效率。比如在 `findx3` 函数里有一个显式地遍历 `rank_df.iterrows()` 的过程，而这种方式非常低效。 **改进方案**: 利用 Pandas 自带的强大筛选功能代替手动迭代，尽量避免使用 Python 层面的 for 循环来进行大数据量的操作。 ```python def findx3(i, rank_df, sum_df): country = sum_df.loc[i, 2] Year = sum_df.loc[i, 4] # 直接转换为整型并捕获错误 try: year = int(Year) except ValueError: return 0 if year <= 1896 or year >= max(rank_df['year']): return 0 adjusted_years = {1920: -4, 1944: -4, 1948: -8}.get(year, 0) target_year_range = slice(max(year - 4 + adjusted_years, min(rank_df['year'])), year) filtered_rank_df = rank_df[ (rank_df.year.isin(range(target_year_range.start, target_year_range.stop))) & (rank_df.country == country) ] if not filtered_rank_df.empty: last_row = filtered_rank_df.iloc[-1] return last_row.value * 0.1 + 0.9 return 0 ``` ### 2. **批量处理而非逐行操作** 原始版本采用逐行列举的方式来填充列表 (`x1`, `x2`, etc.)，然后又把这些单独元素组合成 NumPy 数组传递给机器学习算法。这种做法不仅浪费内存空间还拖慢了整体性能。 **改进措施**: 计算完所有特征之后直接将它们构造成 DataFrame 或者其他合适的数据结构形式统一提交给 Scikit-Learn 库进行训练，而不是一点一滴累积起来再转类型。 ```python # 改造后的部分逻辑示例 data_dict = { "names": [], "X_values": [], # 包含[x1,x2,x3]三列的list of lists "Y_values": [] # 对应的目标变量y } for _, group in sum_df.groupby('name'): ... # 在这里按照每个选手分组做相应的计算... df_features = pd.DataFrame(data_dict["X_values"], columns=["x1", "x2", "x3"]) target_variable = np.array(data_dict["Y_values"]) regressor = LinearRegression().fit(df_features.values, target_variable) coefficients = regressor.coef_.tolist() intercept = float(regressor.intercept_) result_data = [[n] + [intercept] + coefficients for n in set(data_dict["names"])] final_output = pd.DataFrame(result_data, ...) ``` ### 3. **提前准备常用资源** 每次进入某个函数内部都要重新加载相同的外部文件或创建相似的对象实例，增加了 I/O 开销和技术负担。 **解决方案**: 把那些只读一次就不再改变的内容放到全局范围内一次性初始化好，并在整个程序生命周期期间共享这些静态信息。此外也可以考虑缓存机制来存储临时中间状态从而加快响应时间。 ### 4. **使用更高效的I/O模块** Pandas 默认提供的 `.read_excel()` 接口相对而言是比较耗时的选择之一。 **替代工具推荐**: 如果可以的话尝试迁移到更轻便快速的 CSV 格式上来保存源数据并且借助于 `pandas.read_csv()` API 来加速读取进度；当然如果必须坚持用 Excel 表格作为载体则不妨试试第三方插件像 [`openpyxl`](https://openpyxl.readthedocs.io/en/stable/) 等等可能会带来意想不到的好处哦！ --- 综上所述，通过对以上几个关键点做出针对性调整能够有效地缩短原有代码片段的整体执行周期，使之更加高效稳定可靠。 --