创建新列时，np.vectorize() 始终比 Pandas apply() 更快吗？
是的，np.vectorize() 是对于此任务，通常比 Pandas apply() 更快。我们的测试表明 np.vectorize() 可以明显更快，尤其是对于较大的数据集。
为什么 np.vectorize() 比 apply() 更快？
Pandas apply() 依赖于 Python 级循环来迭代数据帧中的行或列。与 np.vectorize() 相比，这会带来显着的开销，后者使用优化的基于 C 的代码进行矢量化操作。
np.vectorize() 将您的输入函数转换为通用函数 (ufunc) 并对其进行评估使用广播的输入数组的连续元组。这避免了创建和传递 Pandas 对象的开销，从而提高了性能。
np.vectorize() 应该优先于 apply() 吗？
用于创建新列作为现有列的函数，np.vectorize() 由于其卓越的性能通常是更好的选择。但是，需要注意的是，与 apply() 相比，np.vectorize() 的灵活性有限，尤其是在访问其他列或执行复杂操作时。
其他更快的选项
对于真正优化的向量化计算，像 np.where() 或逐元素运算这样的 NumPy 运算非常有效。如果性能至关重要，请考虑使用这些库或探索像 numba 这样的库，它们可以对自定义函数进行高效的 JIT 编译。
以上是np.vectorize() 总是在 Pandas 中创建新列的最快方法吗？的详细内容。更多信息请关注PHP中文网其他相关文章！
