厂商详情
Shoeisha Co., Ltd.
| 地址 | 5 Funamachi Shinjuku-ku Tokyo, 日本邮编:160-0006 |
|---|---|
| 负责人姓名 | Mikio Sasaki |
| 年收 | 不显示 |
| 公司人数 | 130 |
| 网址 |
SD商品编号:12973901
| 详情 | 价格 & 数量 | ||
|---|---|---|---|
| S1 |
Tiago Rodrigues Antão 原作者
由 Queep Co.
翻译：Queep Co.
 Original text before translation
Tiago Rodrigues Antão 原著
株式会社クイープ 監修
株式会社クイープ 翻訳
(183730)
JAN:9784798183732
|
(183730)
JAN:9784798183732
批发价: 仅限会员
1点/组
有库存
|
|
| 尺寸 |
|---|
|
格式： B5
页数：352 |
| 商品规格 |
|---|
描述
| [是的，都是为了速度] 用 Python 处理数据集时，最不重要的就是处理速度。数据越大，处理速度就越快，而一点小聪明就是克服当前 [数据溢出] 状况的关键。 如果您了解 Python 的特性，最大限度地提高其性能，并正确使用高性能库，您就能在 Python 中实现极快的处理速度，而这正是人们常说的缓慢和迟钝。 本书从内置特性、线程特性、CPython 的全局解释器锁 (GIL) 以及 Cython 和 GPU 的使用等多个方面入手，帮助您编写 Python 应用程序，使编写 Python 应用程序的效率高于单纯提高机器性能或增加机器数量所能获得的效率。 [本书是《快速 Python：面向大型数据集的高性能技术》的日文译本。 *更多信息 *第 1 部分 基本方法 *第 1 章 迫切需要更高效的数据处理 *第 2 章 最大限度地提高嵌入式函数的性能 *第 3 章 并发、并行和异步处理 *第 4 章 高性能 NumPy *第2部分 硬件 *第5章 使用Cython重新实现关键代码 *第6章 内存层次结构、存储、网络 *第3部分 现代数据处理的应用和库 *第7章 高性能 pandas 和 Apache Arrow *第 8 章 大数据存储 *第 4 部分 高级主题 *第9章 利用GPU计算进行数据分析 *第10章 使用Dask分析大数据 *附录 A 设置环境 *附录 B 使用 Numba 生成高效的底层代码 |
更多
| 配送方法 | 估计到达 |
|---|---|
| Sea Mail | 从 01月20日 到 03月24日 |
| Air Mail | 从 01月02日 到 01月06日 |
| EMS | 从 01月01日 到 01月06日 |
| Pantos Express | 从 01月03日 到 01月08日 |
| DHL | 从 01月01日 到 01月03日 |
| UPS | 从 01月01日 到 01月03日 |
| FedEx | 从 01月01日 到 01月03日 |
|
某些交易条件可能仅适用于日本
本产品（书籍）受转售价格维护计划的约束。 法律允许制造商（出版商）指定销售价格。在不太可能的情况下，如果你没有这样做，我们可以终止交易。在不太可能的情况下，如果你没有这样做，我们可以终止交易。
|
此类产品中的其他产品:
用 Python 处理数据集时，最不重要的就是处理速度。数据越大，处理速度就越快，而一点小聪明就是克服当前 [数据溢出] 状况的关键。
如果您了解 Python 的特性，最大限度地提高其性能，并正确使用高性能库，您就能在 Python 中实现极快的处理速度，而这正是人们常说的缓慢和迟钝。
本书从内置特性、线程特性、CPython 的全局解释器锁 (GIL) 以及 Cython 和 GPU 的使用等多个方面入手，帮助您编写 Python 应用程序，使编写 Python 应用程序的效率高于单纯提高机器性能或增加机器数量所能获得的效率。
[本书是《快速 Python：面向大型数据集的高性能技术》的日文译本。
*更多信息
*第 1 部分 基本方法
*第 1 章 迫切需要更高效的数据处理
*第 2 章 最大限度地提高嵌入式函数的性能
*第 3 章 并发、并行和异步处理
*第 4 章 高性能 NumPy
*第2部分 硬件
*第5章 使用Cython重新实现关键代码
*第6章 内存层次结构、存储、网络
*第3部分 现代数据处理的应用和库
*第7章 高性能 pandas 和 Apache Arrow
*第 8 章 大数据存储
*第 4 部分 高级主题
*第9章 利用GPU计算进行数据分析
*第10章 使用Dask分析大数据
*附录 A 设置环境
*附录 B 使用 Numba 生成高效的底层代码
When dealing with datasets in Python, the last thing that matters is processing speed. The larger the data, the faster the processing speed, and a little ingenuity is the key to overcoming the current situation [of data overflow].
If you understand the characteristics of Python, maximize its performance, and properly use high-performance libraries, you can achieve blazing-fast processing in Python, which is often said to be slow and sluggish.
This book presents a multi-faceted approach, starting with built-in features, threading characteristics, CPython's Global Interpreter Lock (GIL), and moving on to Cython and the use of GPUs, to help you write Python applications more efficiently than can be obtained by simply increasing machine performance or number of machines. support for writing Python applications.
[This book is the Japanese translation of [Fast Python: High performance techniques for large datasets].
*More info*
*Part 1 Basic Approaches
*Chapter 1: The Urgent Need for More Efficient Data Processing
*Chapter 2 Maximizing the Performance of Embedded Functions
*Chapter 3 Concurrency, Parallelism, and Asynchronous Processing
*Chapter 4 High Performance NumPy
*Part 2 Hardware
*Chapter 5 Reimplementing critical code with Cython
*Chapter 6 Memory hierarchy, storage, networking
*Part 3 Applications and libraries for modern data processing
*Chapter 7 High performance pandas and Apache Arrow
*Chapter 8 Storing Big Data
*Part 4 Advanced topics
*Chapter 9 Data analysis using GPU computing
*Chapter 10 Analyzing Big Data with Dask
*Appendix A Setting Up Your Environment
*Appendix B Generating Efficient Low-Level Code with Numba