我首先要说的是，Pandas和NumPy数组的功能是从对数字数组进行高性能矢量化计算得出的。1向量化计算的全部目的是通过将计算移至高度优化的C代码并利用连续的内存块来避免Python级循环。2

Python级循环 现在我们来看一些时间。以下是所有的Python级环，其任一产生pd.Series，np.ndarray或list包含相同值的对象。为了分配给数据框内的序列，结果是可比较的。

Python 3.6.5, NumPy 1.14.3, Pandas 0.23.0

np.random.seed(0) N = 10**5

%timeit list(map(divide, df['A'], df['B'])) # 43.9 ms %timeit np.vectorize(divide)(df['A'], df['B']) # 48.1 ms %timeit [divide(a, b) for a, b in zip(df['A'], df['B'])] # 49.4 ms %timeit [divide(a, b) for a, b in df[['A', 'B']].itertuples(index=False)] # 112 ms %timeit df.apply(lambda row: divide(*row), axis=1, raw=True) # 760 ms %timeit df.apply(lambda row: divide(row['A'], row['B']), axis=1) # 4.83 s %timeit [divide(row['A'], row['B']) for _, row in df[['A', 'B']].iterrows()] # 11.6 s 一些要点：

的tuple基的方法（第一4）是一个因素比更有效的pd.Series基于方法（最后3）。 np.vectorize，列表理解+ zip和map方法（即前3名）的性能大致相同。这是因为它们使用tuple 并绕过了熊猫的开销pd.DataFrame.itertuples。 使用raw=Truewith pd.DataFrame.apply和不使用时，速度显着提高。此选项将NumPy数组而不是pd.Series对象提供给自定义函数。 pd.DataFrame.apply：只是另一个循环 要确切地查看Pandas传递的对象，可以对函数进行微不足道的修改：

def foo(row): print(type(row)) assert False # because you only need to see this once df.apply(lambda row: foo(row), axis=1) 输出：<class 'pandas.core.series.Series'>。相对于NumPy数组，创建，传递和查询Pandas系列对象会带来大量开销。这不足为奇：Pandas系列包含相当数量的脚手架，用于存放索引，值，属性等。

再次进行相同的练习raw=True，您会看到<class 'numpy.ndarray'>。所有这些都在文档中进行了描述，但是看到它更具说服力。

np.vectorize：假向量化 的文档np.vectorize有以下注意事项：

pyfunc除了使用numpy的广播规则外，矢量化函数像python map函数一样对输入数组的连续元组求值。

这里的“广播规则”是无关紧要的，因为输入数组具有相同的尺寸。与之并行map是有启发性的，因为上述map版本具有几乎相同的性能。该源代码显示发生的事情：np.vectorize你的输入函数转换成通用的功能通过（“ufunc”） np.frompyfunc。有一些优化，例如缓存，可以带来一些性能改进。

总之，np.vectorize做一个Python级环路什么应该做，但pd.DataFrame.apply增加了一个矮胖的开销。您不会看到任何JIT编译numba（请参见下文）。这只是一个方便。

真正的向量化：您应该使用什么 为什么在任何地方都没有提到上述差异？因为真正矢量化计算的性能使它们无关紧要：

%timeit np.where(df['B'] == 0, 0, df['A'] / df['B']) # 1.17 ms %timeit (df['A'] / df['B']).replace([np.inf, -np.inf], 0) # 1.96 ms 是的，这比上述循环式解决方案中最快的速度快40倍。这些都可以接受。在我看来，第一个是简洁，可读和高效的。numba如果性能至关重要，这只是瓶颈，请仅查看其他方法，例如下面的方法。

numba.njit：更高的效率 当循环被认为可行时，通常会通过numba底层的NumPy数组对其进行优化，以尽可能多地移至C。

实际上，将numba性能提高到了微秒。没有一些繁琐的工作，将很难获得比这更高的效率。

from numba import njit

@njit def divide(a, b): res = np.empty(a.shape) for i in range(len(a)): if b[i] != 0: res[i] = a[i] / b[i] else: res[i] = 0 return res

%timeit divide(df['A'].values, df['B'].values) # 717 µs 使用@njit(parallel=True)可以为更大的阵列提供进一步的提升。

1种数字类型包括：int，float，datetime，bool，category。它们不包含 object dtype，可以保存在连续的内存块中。

2 NumPy操作相对于Python高效的原因至少有两个：

Python中的所有内容都是一个对象。与C不同，这包括数字。因此，Python类型具有本机C类型不存在的开销。 NumPy方法通常基于C。另外，在可能的情况下使用优化算法。