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

df = pd.DataFrame([['S1', 1, False], ['S1', 1, True],
['S2', 2, False], ['S2', 2, True], ['S2', 22, False], ['S2', 22, True],
['S3', 222, False], ['S3', 222, True]],
columns=list('ABC'))

df['D'] = np.diff(np.where(df.C, df.groupby('A')['B'].cumsum(), 0), axis=0, prepend=0)

df.D = df.groupby(df.C.eq(False).cumsum()).cumsum().D
df.D[df.D <0]=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 2
4 S2 22 False 0
5 S2 22 True 44
6 S3 222 False 0
7 S3 222 True 396

df.D = df.groupby(df.C.eq(False).cumsum()).cumsum().D
df.D[df.D <0]=0

会不会是刷新率的问题
firefox 设置 gfx.webrender.enabled
~/.config/kwinrc 里设置一下刷新率，类似 MaxFPS 一类选项，具体查查看

@Issacx 对，我脑残了

有个词，我不懂具体怎么翻译，叫 social inventions，习俗一类的？

如果是 iid 似乎很简单吧，对任意分布取 n 个值(X_i)，则 P(max(X_i)<=x)=P(x)^n，P 是 cdf，pdf 的话求个导 q(x)=nP(x)^{n-1}p(x), 其中 p 是 P 对应的 pdf

你 Google 一下 coupon collector's problem with unequal probability of subset?
@gulu

基础知识的话得看看停时和鞅。

Google 了一下 Coupon collector's problem 发现这玩意儿好像还很难

p(n,s) = \sum_{j=0}^{s-1} (-1)^{s-1-j}C_{m-j-1}^{m-c}\sum_{|J|=j}P_J^{n-1}(1-P_J)....(1)
其中
P_J 是子集概率加和，P_J := \sum_{i\in J} p_i, \sum_{|J|=j} 代表对所有 |J|=j 大小的子集的加和,m 代表总独立元素个数。对均匀分布来说，
p(n,s) = m! S_2(n-1, s-1)/((m-s)! m^n)....(2)

这么看好像模拟的时候不能把 m 个独立元素中选择 s 个折合成 s+1 里选 s 个……

我好像也算大了.... 等概率的话还有办法的，可以表达成 s! S_2(n, s)，我记得这个叫优惠券问题。