尝试加快一些代码的速度：在大型数据集中测量滚动百分比等级

Question

本质上与以下未解决的问题类似：How to speed up creation of rolling sum (LTM) in pandas with large dataset?

我有以下代码来测量df列上的滚动百分等级，仅在整个数字窗口（即没有“ nan”值）可用时才开始，并用这些值填充新的单列df： / p>

def percent_rank(df, period_1):
    window_size = period_1
    for i in range(len(df.index)):
        if not np.isnan(float(df.iloc[i])):
            start_date = i
            break
    df_percent_rank = pd.DataFrame(index=df.index)
    df_percent_rank[df.columns.values[0]] = "nan"

    for i in range(start_date, len(df.index)-window_size+1):
        window = df.iloc[i:i+window_size]
        last_data = float(window.iloc[-1])
        rank = stats.percentileofscore(window, last_data, kind='mean')
        df_percent_rank.iloc[i+window_size-1] = rank
    return df_percent_rank

但是，我目前在循环中使用此函数，总共有40 df（每个df只有一列）作为参数传递，每个参数约有20,000行。结果，我的代码的这一部分只花了几分钟，而其他所有东西都运行得非常快。

是否有更好的方法编写函数来加快过程？

感谢任何/所有帮助！