取决于你对 feature 的理解和怎么建模，比如你可以 low=1, medium=2, high=3，因为 low-high 之间距离大于 medium 到 high 的距离似乎也挺合理的。但向量化
low medium high
(01) (01) (01)
比如你有一个 feature 对应 low，则给出向量
1 0 0
high 则是
0 0 1
这样做是为了两两间等距，并且是一组正交基。一般用于你的离散 feature 之间等权且没什么关联。

@niknik 扫地机器人？

windows 有 cuda，也可以使用 pip 安装 tensorflow gpu 版。这里:
https://www.tensorflow.org/install/gpu


wsl 是另一回事，目前我没记错的话在开发中，wsl 需要注册开发账户才能从 nvidia 下载到对应的驱动(win)，wsl 里才能使用 gpu 程序。

没有看到钱数……我是傻逼……这个价位找找魔力鸭黑轴？或者试试 niz 静电容，不过在 600-800 （蓝牙），稍微贵一点但是效果绝对好。

cherry mx 10

@SJ2050cn 和 numba.jit 比呢？我好久没碰过 pypy 了，上一次用还是 numpy 只支持 pypy2……

不会先全放在内存里再做什么操作。

这种情况是做一个生成器，itertools，pandas 之类的都是这么干的，然后每次操作是从生成器里取出下一个

我测试了一下，有个简单一点的方法，但是会慢一些：
arr = np.arange(3)
def how(x, y):
....if x < y:
........return x + y
....return x * y
np.frompyfunc(how, 2, 1)(arr[:,None], arr)

frompyfunc 会返回一个 ufunc，从而让 numpy 可以 broadcast 自定义的函数。但是效率似乎没有 numba 的 vectorize/guvectorize 高，尤其是 numba 可以 target='gpu'或者'parallel'

另，guvectorize 可以 target='cpu', 'gpu', 'parallel'

这狗 shit 的排版……

想要速度一定要用 nopython=True，但是代码得注意一定不能有 object

In [4]: from numba import guvectorize, float64, jit
In [5]: @jit(nopython=True)
...: def how(x, y):
...: return x + y
In [6]: @guvectorize([(float64[:], float64[:,:])], '(n)->(n, n)', nopython=True)
...: def f(arr, ret):
...: for i in range(arr.shape[0]):
...: for j in range(arr.shape[0]):
...: if j >= i:
...: tmp = how(arr[i], arr[j])
...: ret[i, j] = tmp
...: ret[j, i] = tmp
In [11]: arr = [np.arange(3), np.arange(10, 13)]

In [12]: f(arr)
Out[12]:
array([[[ 0., 1., 2.],
[ 1., 2., 3.],
[ 2., 3., 4.]],

[[20., 21., 22.],
[21., 22., 23.],
[22., 23., 24.]]])
In [13]: arr = np.arange(3)

In [14]: f(arr)
Out[14]:
array([[0., 1., 2.],
[1., 2., 3.],
[2., 3., 4.]])

调执行顺序的吧，不一般对应的.conf 里都是 for file in xxx.d/*.conf 这样，用数字控制执行顺序，而不是文件名字母排序。

https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.find_peaks.html

一般这些算法都是基于小波变换，看看原理很简单的。

@yaleyu 这速度测试……是数据集太小了吧……

df['D'] = np.where(df.C, df.groupby(pd.Series(np.diff(df.C, prepend=0)).eq(-1).cumsum()).B.cumsum(),0)

df

A B C D
0 S1 10 False 0
1 S1 10 True 20
2 S2 20 False 0
3 S2 10 False 0
4 S2 10 True 40
5 S3 200 False 0
6 S3 100 False 0
7 S3 100 True 400

你上个帖子里说
如下一个表，想每当 C 列为 False 时候，D 列为 0，为 True 时候，D 列为 B 列的上一次 C 列为 False 到当前列的加总

这次就变成
求助问题：对每个 A 列里面的值，当 C 列为 False 时候，D 列为 0，当 C 列为 True 时候，D 列为上一个 True 之后的第一个 False 到当前行的 B 列总和。

大屁眼子！

……我是智障

df['D'] = np.where(df.C, df.groupby(df.C.eq(False).cumsum()).B.cumsum(), 0)


df


A B C D
0 S1 1 False 0
1 S1 1 True 2
2 S2 2 False 0
3 S2 2 True 4
4 S2 22 False 0
5 S2 22 True 44
6 S3 222 False 0
7 S3 222 True 444