为什么有时在 Pandas 数据框中应用并不比 for 循环更快？

问题描述：

在大多数情况下，它似乎apply可以加速数据框上的操作过程，但是，当我使用时，apply我发现加速并不明显。这是我的示例；我有一个包含两列的数据框：

>>>df
index col1 col2
1 10 20
2 20 30
3 30 40

R(x)我想要做的是通过实现一个函数来计算数据框中每一行的值col1，然后将结果除以中的值col2。例如，第一行的结果应该是R(10)/20。

这是我的函数，将在以下位置调用apply：

def _f(input):
    return R(input['col1'])/input['col2']

然后我_f打电话apply：df.apply(_f, axis=1)

但是，我发现在这种情况下，apply比 for 循环慢得多，例如

for i in list(df.index)
    new_df.loc[i] = R(df.loc[i,'col1'])/df.loc[i,'col2']

有人能解释一下原因吗？

解决方案 1：

据我所知，这通常不会.apply比轴上的迭代更快。我相信在底层它只是轴上的一个循环，只不过在这种情况下每次都会产生函数调用的开销。

如果我们查看源代码，我们可以看到，本质上我们正在遍历指示的轴并应用函数，将各个结果作为系列构建到字典中，最后调用字典上的数据框构造函数返回一个新的 DataFrame：

    if axis == 0:
        series_gen = (self._ixs(i, axis=1)
                      for i in range(len(self.columns)))
        res_index = self.columns
        res_columns = self.index
    elif axis == 1:
        res_index = self.index
        res_columns = self.columns
        values = self.values
        series_gen = (Series.from_array(arr, index=res_columns, name=name,
                                        dtype=dtype)
                      for i, (arr, name) in enumerate(zip(values,
                                                          res_index)))
    else:  # pragma : no cover
        raise AssertionError('Axis must be 0 or 1, got %s' % str(axis))

    i = None
    keys = []
    results = {}
    if ignore_failures:
        successes = []
        for i, v in enumerate(series_gen):
            try:
                results[i] = func(v)
                keys.append(v.name)
                successes.append(i)
            except Exception:
                pass
        # so will work with MultiIndex
        if len(successes) < len(res_index):
            res_index = res_index.take(successes)
    else:
        try:
            for i, v in enumerate(series_gen):
                results[i] = func(v)
                keys.append(v.name)
        except Exception as e:
            if hasattr(e, 'args'):
                # make sure i is defined
                if i is not None:
                    k = res_index[i]
                    e.args = e.args + ('occurred at index %s' %
                                       pprint_thing(k), )
            raise

    if len(results) > 0 and is_sequence(results[0]):
        if not isinstance(results[0], Series):
            index = res_columns
        else:
            index = None

        result = self._constructor(data=results, index=index)
        result.columns = res_index

        if axis == 1:
            result = result.T
        result = result._convert(datetime=True, timedelta=True, copy=False)

    else:

        result = Series(results)
        result.index = res_index

    return result

具体来说：

for i, v in enumerate(series_gen):
                results[i] = func(v)
                keys.append(v.name)

series_gen根据请求的轴构建的位置。

为了获得更好的功能性能，您可以遵循此处给出的建议。

本质上，您的选择是：

1. 编写 C 扩展

2. 使用numba（JIT 编译器）

3. 用于pandas.eval提高大型 Dataframe 的性能