但很多程序员确实对百万级别的数据处理抓瞎。举个例子，我见过一些程序员会用 django orm 先把数据读到内存组装成一个个的 model object 然后处理。单是这个反序列化过程就消耗掉很多时间。而其核心业务逻辑，不过是一行 sql 语句的事情而已。

【 在 jamwswallace 的大作中提到: 】
: 对啊。我500万条数据才400M。用PYTHON处理毫无压力啊。
--
FROM 120.33.10.*

有的Python库，仅仅是为了从用逗号或者tab分隔的csv/txt文件中读数据，就依赖了pa
ndas库。



【 在 hgoldfish 的大作中提到: 】
: 但很多程序员确实对百万级别的数据处理抓瞎。举个例子，我见过一些程序员会用 django orm 先把数据读到内存组装成一个个的 model object 然后处理。单是这个反序列化过程就消耗掉很多时间。而其核心业务逻辑，不过是一行 sql 语句的事情而已。
--
FROM 119.233.240.*

哈哈 这就是我啊  pandas dataframe 好用  画图也极其方便
实在是趁手啊

【 在 callmebbser 的大作中提到: 】
: 有的Python库，仅仅是为了从用逗号或者tab分隔的csv/txt文件中读数据，就依赖了pa
: ndas库。
:
: ...................
--
FROM 47.152.116.*

用 orm 者  不一定都差
然而 确实很多很差

【 在 hgoldfish 的大作中提到: 】
: 但很多程序员确实对百万级别的数据处理抓瞎。举个例子，我见过一些程序员会用 django orm 先把数据读到内存组装成一个个的 model object 然后处理。单是这个反序列化过程就消耗掉很多时间。而其核心业务逻辑，不过是一行 sql 语句的事情而已。
:
--
FROM 47.152.116.*

        程序员不差这点内存钱吧


【 在 iMx 的大作中提到: 】
: 内存不用，可以配少一点，可以省钱
: 程序改一次，可以无成本运行无数次，均摊编程成本为0
: 最经济适用的作法显然是优化程序
: ...................
--
FROM 114.253.35.*