在我进行的测试中，您可以使用iterrows方法而不是在以下位置将结果提高两倍以上：

In [117]: timeit max(row['timestamp'] for row in table.iterrows(stop=1000000))
1 loops, best of 3: 1 s per loop

In [118]: timeit max(row['timestamp'] for row in table.where('(timestamp<=Tf)'))
1 loops, best of 3: 2.21 s per loop

In [120]: timeit max(frames.cols.timestamp[:1000000])
1 loops, best of 3: 974 ms per loop

In [121]: timeit np.max(frames.cols.timestamp[:1000000])
1 loops, best of 3: 876 ms per loop

请注意，Tf上方是该列的1000000条目（它是Float64）。

由于问题不要求进行比较检查，因此可以省去哪里的测试…请注意，问题中建议的方法（将数据加载为numpy数组）仍然有些快（尽管差异小于3％，并且对于更大的数据集，它变得更小，我没有测试10
^ 7行以上）。我发现使用max numpy函数的最佳结果（请参见上文）。

我也很高兴学习更有效的方法！