Ciao, ho incontrato un problema simile dopo il passaggio a Python 3.11 e posso condividere alcune cose che mi hanno aiutato. Python 3.11 è più veloce in molti casi, ma non tutte le librerie sono ottimizzate allo stesso modo, quindi alcuni rallentamenti possono comparire soprattutto con Pandas e NumPy.

Ti suggerisco alcune verifiche pratiche:

Controlla se le librerie che usi sono compilate correttamente per la tua versione di Python. A volte l’installazione tramite pip prende una build generica che non sfrutta bene le ottimizzazioni.

Prova a isolare le funzioni async che bloccano il loop. Anche una piccola parte di codice sincrono dentro una funzione async può ridurre la velocità.

Se stai usando Pandas per operazioni pesanti, prova a spostare i calcoli in NumPy puro oppure usa polars, che in molti casi ha performance migliori.


Valuta di usare multiprocessing invece di asyncio per operazioni CPU bound. Asyncio funziona bene quando il limite è l’I/O, non il calcolo.

Non è un problema raro dopo l’aggiornamento, quindi con qualche test mirato dovresti riuscire a trovare il punto critico. Se condividi un piccolo esempio del codice posso provare a guardarlo meglio.

Quando lavori con valori mancanti in Pandas non esiste una soluzione unica. La scelta migliore dipende molto dal tipo di analisi che devi fare e dal significato delle colonne nel tuo dataset.

In generale puoi seguire questi approcci:



Rimuovere le righe con valori mancanti

Va bene se i NaN sono pochi e la perdita di dati non influisce molto sull’analisi.









df_clean = df.dropna()





Sostituire i valori mancanti con la media, mediana o moda

Se i dati sono numerici e non vuoi perdere righe, questo è spesso il metodo più semplice.









df_filled = df.copy()
df_filled['Age'] = df_filled['Age'].fillna(df_filled['Age'].mean())
df_filled['Score'] = df_filled['Score'].fillna(df_filled['Score'].mean())
df_filled['Salary'] = df_filled['Salary'].fillna(df_filled['Salary'].median())





Interpolazione

Utile quando i dati seguono un certo ordine o una progressione.









df_interpolated = df.interpolate()





Imputazione avanzata

Se hai molti NaN o stai preparando dati per il machine learning puoi usare metodi più evoluti come KNNImputer o IterativeImputer da scikit learn.



Se ci dici qualcosa in più sul tipo di analisi posso suggerire un metodo più preciso, ma per la maggior parte dei progetti di data science i metodi sopra funzionano già molto bene.