在 Python 中的大型数据集上使用 OOP 是否有益？
Is it beneficial to use OOP on large datasets in Python?
我正在对两种类型的测量实施卡尔曼滤波器。我每秒 (1Hz) 进行一次 GPS 测量，一秒钟 (100Hz) 进行 100 次加速度测量。
所以基本上我有两个巨大的表，它们必须在某个时候融合。我的目标是：我真的很想编写可读和可维护的代码。
我的第一个方法是：两个数据表都有一个 class（所以一个对象是一个数据表），我在 class 方法中进行批量计算（所以几乎所有的我的方法包括一个 for 循环），直到我到达实际的过滤器。我发现这种方法有点太僵硬了。能用，就是数据类型转换太多，不太方便
现在我想更改我的代码。如果我想坚持 OOP，我的第二个尝试是：每个测量值都是 GPS_measurment 或 acceleration_measurement 的对象。这种方法似乎更好，但这样会创建数千个对象。
我的第三次尝试是数据驱动设计，但我不太熟悉这种方法。
我应该使用哪种范式？或者它应该通过上述范例的某种混合来解决？或者我应该只使用 pandas 数据帧来使用过程编程？
听起来您想使用 pandas。顺便说一句，OOP 是一个概念，而不是您明确编码的东西。一般来说，如果您打算扩展它们或封装某些功能，您只想定义自己的 类。 pandas 和 numpy 是 2 个模块，它们几乎可以满足您对数据的所有要求，并且执行速度更快。
我正在对两种类型的测量实施卡尔曼滤波器。我每秒 (1Hz) 进行一次 GPS 测量，一秒钟 (100Hz) 进行 100 次加速度测量。 所以基本上我有两个巨大的表，它们必须在某个时候融合。我的目标是：我真的很想编写可读和可维护的代码。
我的第一个方法是：两个数据表都有一个 class（所以一个对象是一个数据表），我在 class 方法中进行批量计算（所以几乎所有的我的方法包括一个 for 循环），直到我到达实际的过滤器。我发现这种方法有点太僵硬了。能用，就是数据类型转换太多，不太方便
现在我想更改我的代码。如果我想坚持 OOP，我的第二个尝试是：每个测量值都是 GPS_measurment 或 acceleration_measurement 的对象。这种方法似乎更好，但这样会创建数千个对象。
我的第三次尝试是数据驱动设计，但我不太熟悉这种方法。
我应该使用哪种范式？或者它应该通过上述范例的某种混合来解决？或者我应该只使用 pandas 数据帧来使用过程编程？
听起来您想使用 pandas。顺便说一句，OOP 是一个概念，而不是您明确编码的东西。一般来说，如果您打算扩展它们或封装某些功能，您只想定义自己的 类。 pandas 和 numpy 是 2 个模块，它们几乎可以满足您对数据的所有要求，并且执行速度更快。