我有一些数据框，它们以物种指示符作为列，在这些示例中为30，以及数量可变的行，这里的示例是450_631（* low ）和948_084（ high *）。实际上，我有成千上万个这样的数据框，这就是为什么性能对我很重要。
Dataframe 包含0和1。
low DataFrame
| | 智人13|泛_泛13|...|山羊_山羊.12|马_卡巴鲁斯.17|
| - ------|- ------|- ------|- ------|- ------|- ------|
| 无|无|无|...|1个|无|
| 1个|无|无|...|无|无|
| ...|...|...|...|...|...|
| 小行星450629|无|无|...|无|1个|
| 小行星450630|无|无|...|无|无|
high DataFrame
| | 人类20|大猩猩_大猩猩.20|...|猕猴属10|美洲豹_豹. KV860304.1|
| - ------|- ------|- ------|- ------|- ------|- ------|
| 无|无|无|...|无|无|
| 1个|无|无|...|1个|无|
| ...|...|...|...|...|...|
| 小行星948|无|1个|...|1个|1个|
| 小行星948|无|1个|...|1个|1个|
例如，我现在要做的是用Pandas函数cumsum来计算累积和。
我观察到的是，对于"小" Dataframe ，如示例 * low *，它只需要几分之一秒，然而，对于一些较大的 Dataframe ，如示例 * high *，它需要几分钟，尽管它的数据量大约是示例 * high * 的两倍。
low cumsum，计算耗时约0.2秒
| | 智人13|泛_泛13|...|山羊_山羊.12|马_卡巴鲁斯.17|
| - ------|- ------|- ------|- ------|- ------|- ------|
| 无|无|无|...|1个|无|
| 1个|无|无|...|1个|无|
| ...|...|...|...|...|...|
| 小行星450629|无|小行星2606|...|小行星73099|小行星72252|
| 小行星450630|无|小行星2606|...|小行星73099|小行星72252|
high cumsum，计算耗时约150秒
| | 人类20|大猩猩_大猩猩.20|...|猕猴属10|美洲豹_豹. KV860304.1|
| - ------|- ------|- ------|- ------|- ------|- ------|
| 无|无|无|...|无|无|
| 1个|无|无|...|1个|无|
| ...|...|...|...|...|...|
| 小行星948|无|小行星8463|...|小行星39761|小行星239|
| 小行星948|无|小行星8464|...|小行星39762|小行星239|
我在复制（DataFrame.copy（））或索引（DataFrame [list_of_indexs]）时观察到了类似的模式，我不明白为什么对这些较大的DataFrame的某些操作与对较小的DataFrame的操作相比需要不合理的更长时间。

• • 编辑：**

在我本地的笔记本电脑上运行了同样的过程，**high. cumsum（）**在1.6秒内完成，这似乎很合理。这表明问题应该出在CPU或服务器如何工作上，这超出了我的理解范围。

• • EIDT2：**

问题似乎出在我运行脚本的服务器上，在我的笔记本电脑或其他服务器（都是英特尔至强）上运行脚本时，运行正常，但只有在一台机器上发现了这种奇怪的行为。
从现在开始我就用另一台服务器了。