Moduł dostępu do danych został wprowadzony wraz z ArcGIS w wersji 10.1. ESRI opisuje moduł dostępu do danych w następujący sposób ( źródło ):
Moduł dostępu do danych, arcpy.da, jest modułem Pythona do pracy z danymi. Pozwala kontrolować sesję edycji, operację edycji, ulepszoną obsługę kursorów (w tym wyższą wydajność), funkcje do konwertowania tabel i klas funkcji na tablice NumPy i z nich, a także obsługę przepływu pracy wersji, replik, domen i podtypów.
Jednak niewiele jest informacji na temat tego, dlaczego wydajność kursora jest tak poprawiona w porównaniu z poprzednią generacją kursorów.
Załączony rysunek pokazuje wyniki testu porównawczego nowej da
metody UpdateCursor w porównaniu do starej metody UpdateCursor. Zasadniczo skrypt wykonuje następujący przepływ pracy:
- Twórz losowe punkty (10, 100, 1000, 10000, 100000)
- Próbkuj losowo z rozkładu normalnego i dodaj kursor do nowej kolumny w tabeli atrybutów punktów losowych
- Uruchom 5 iteracji każdego scenariusza losowego dla obu nowych i starych metod UpdateCursor i zapisz średnią wartość do list
- Wykreśl wyniki
Co dzieje się za kulisami z da
kursorem aktualizacji, aby poprawić wydajność kursora w stopniu pokazanym na rysunku?
import arcpy, os, numpy, time
arcpy.env.overwriteOutput = True
outws = r'C:\temp'
fc = os.path.join(outws, 'randomPoints.shp')
iterations = [10, 100, 1000, 10000, 100000]
old = []
new = []
meanOld = []
meanNew = []
for x in iterations:
arcpy.CreateRandomPoints_management(outws, 'randomPoints', '', '', x)
arcpy.AddField_management(fc, 'randFloat', 'FLOAT')
for y in range(5):
# Old method ArcGIS 10.0 and earlier
start = time.clock()
rows = arcpy.UpdateCursor(fc)
for row in rows:
# generate random float from normal distribution
s = float(numpy.random.normal(100, 10, 1))
row.randFloat = s
rows.updateRow(row)
del row, rows
end = time.clock()
total = end - start
old.append(total)
del start, end, total
# New method 10.1 and later
start = time.clock()
with arcpy.da.UpdateCursor(fc, ['randFloat']) as cursor:
for row in cursor:
# generate random float from normal distribution
s = float(numpy.random.normal(100, 10, 1))
row[0] = s
cursor.updateRow(row)
end = time.clock()
total = end - start
new.append(total)
del start, end, total
meanOld.append(round(numpy.mean(old),4))
meanNew.append(round(numpy.mean(new),4))
#######################
# plot the results
import matplotlib.pyplot as plt
plt.plot(iterations, meanNew, label = 'New (da)')
plt.plot(iterations, meanOld, label = 'Old')
plt.title('arcpy.da.UpdateCursor -vs- arcpy.UpdateCursor')
plt.xlabel('Random Points')
plt.ylabel('Time (minutes)')
plt.legend(loc = 2)
plt.show()
źródło