我已经看到许多有关使用Pandas方法的堆栈溢出问题的答案apply。我还看到用户在他们的下面发表评论，说“ apply缓慢，应避免使用”。

我已经阅读了许多有关性能的文章，这些文章解释apply得很慢。我还在文档中看到了关于免除apply传递UDF的便捷功能的免责声明（现在似乎找不到）。因此，普遍的共识是，apply应尽可能避免。但是，这引起了以下问题：

1. 如果apply太糟糕了，那为什么在API中呢？
2. 我应该如何以及何时使代码apply免费？
3. 在任何情况下apply都有良好的情况（比其他可能的解决方案更好）吗？

apply，您不需要的便利功能

我们首先在OP中逐一解决问题。

“ 如果应用是如此糟糕，那么为什么要在API中使用它呢？ ”

DataFrame.apply和Series.apply是分别在DataFrame和Series对象上定义的便捷函数。apply接受任何在DataFrame上应用转换/聚合的用户定义函数。apply实际上是完成任何现有熊猫功能无法完成的灵丹妙药。

一些事情apply可以做：

• 在DataFrame或Series上运行任何用户定义的函数
• 在DataFrame上按行（axis=1）或按列（）应用函数axis=0
• 应用功能时执行索引对齐
• 使用用户定义的函数执行汇总（但是，我们通常更喜欢agg或transform在这种情况下）
• 执行逐元素转换
• 将汇总结果广播到原始行（请参阅result_type参数）。
• 接受位置/关键字参数以传递给用户定义的函数。

...其他 有关更多信息，请参见文档中的行或列函数应用程序。

那么，具有所有这些功能，为什么apply不好？这是因为apply是 缓慢的。Pandas对功能的性质不做任何假设，因此在必要时将您的功能迭代地应用于每个行/列。此外，处理上述所有情况均意味着apply每次迭代都会产生一些重大开销。此外，apply会消耗更多的内存，这对于内存受限的应用程序是一个挑战。

在极少数情况下，apply适合使用（以下更多内容）。如果不确定是否应该使用apply，则可能不应该使用。

让我们解决下一个问题。

“ 如何当我应该让我的代码申请-免费？ ”

重新说明一下，这是一些常见的情况，在这些情况下您将希望摆脱对的任何调用apply。

数值数据

如果您正在使用数字数据，则可能已经有一个矢量化的cython函数可以完全实现您要执行的操作（如果没有，请在Stack Overflow上提问或在GitHub上打开功能请求）。

对比一下apply简单加法运算的性能。

df = pd.DataFrame({"A": [9, 4, 2, 1], "B": [12, 7, 5, 4]})
df

   A   B
0  9  12
1  4   7
2  2   5
3  1   4

df.apply(np.sum)

A    16
B    28
dtype: int64

df.sum()

A    16
B    28
dtype: int64

在性能方面，没有任何可比的，被cythonized的等效物要快得多。不需要图表，因为即使对于玩具数据，差异也很明显。

%timeit df.apply(np.sum)
%timeit df.sum()
2.22 ms ± 41.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
471 µs ± 8.16 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

即使您启用带有raw参数的原始数组传递，它的速度仍然是原来的两倍。

%timeit df.apply(np.sum, raw=True)
840 µs ± 691 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

另一个例子：

df.apply(lambda x: x.max() - x.min())

A    8
B    8
dtype: int64

df.max() - df.min()

A    8
B    8
dtype: int64

%timeit df.apply(lambda x: x.max() - x.min())
%timeit df.max() - df.min()

2.43 ms ± 450 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
1.23 ms ± 14.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

通常，如果可能，寻找向量化的替代方案。

字符串/正则表达式

在大多数情况下，Pandas提供“矢量化”字符串函数，但是在极少数情况下，这些函数不会...“应用”，可以这么说。

一个常见的问题是检查同一行的另一列中是否存在一列中的值。

df = pd.DataFrame({
    'Name': ['mickey', 'donald', 'minnie'],
    'Title': ['wonderland', "welcome to donald's castle", 'Minnie mouse clubhouse'],
    'Value': [20, 10, 86]})
df

     Name  Value                       Title
0  mickey     20                  wonderland
1  donald     10  welcome to donald's castle
2  minnie     86      Minnie mouse clubhouse

这应该返回第二行和第三行，因为“唐纳德”和“米妮”出现在它们各自的“标题”列中。

使用apply，这将使用

df.apply(lambda x: x['Name'].lower() in x['Title'].lower(), axis=1)

0    False
1     True
2     True
dtype: bool

df[df.apply(lambda x: x['Name'].lower() in x['Title'].lower(), axis=1)]

     Name                       Title  Value
1  donald  welcome to donald's castle     10
2  minnie      Minnie mouse clubhouse     86

但是，使用列表推导存在更好的解决方案。

df[[y.lower() in x.lower() for x, y in zip(df['Title'], df['Name'])]]

     Name                       Title  Value
1  donald  welcome to donald's castle     10
2  minnie      Minnie mouse clubhouse     86

%timeit df[df.apply(lambda x: x['Name'].lower() in x['Title'].lower(), axis=1)]
%timeit df[[y.lower() in x.lower() for x, y in zip(df['Title'], df['Name'])]]

2.85 ms ± 38.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
788 µs ± 16.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

这里要注意的是apply，由于开销较低，因此迭代例程的运行速度比快。如果您需要处理NaN和无效的dtype，则可以使用自定义函数在此基础上进行构建，然后再使用列表推导中的参数进行调用。

有关何时应该将列表理解视为一个不错的选择的更多信息，请参见我的文章：对于熊猫循环-我何时应该关心？。

注意
日期和日期时间操作也具有矢量化版本。因此，例如，您应该更喜欢pd.to_datetime(df['date'])说df['date'].apply(pd.to_datetime)。

在docs上阅读更多内容 。

一个常见的陷阱：列表的爆炸列

s = pd.Series([[1, 2]] * 3)
s

0    [1, 2]
1    [1, 2]
2    [1, 2]
dtype: object

人们很想使用apply(pd.Series)。就性能而言，这太可怕了。

s.apply(pd.Series)

   0  1
0  1  2
1  1  2
2  1  2

更好的选择是列出该列并将其传递给pd.DataFrame。

pd.DataFrame(s.tolist())

   0  1
0  1  2
1  1  2
2  1  2

%timeit s.apply(pd.Series)
%timeit pd.DataFrame(s.tolist())

2.65 ms ± 294 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
816 µs ± 40.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

最后，

“ 有什么情况 apply 是好的吗？ ”

Apply是一项便利功能，因此在某些情况下开销可以忽略不计，可以原谅。它实际上取决于函数被调用多少次。

为系列矢量化的函数，但不是数据帧的函数
如果要对多列应用字符串操作该怎么办？如果要将多列转换为日期时间怎么办？这些函数仅针对系列进行矢量化处理，因此必须将它们应用于要转换/操作的每一列。

df = pd.DataFrame(
         pd.date_range('2018-12-31','2019-01-31', freq='2D').date.astype(str).reshape(-1, 2), 
         columns=['date1', 'date2'])
df

       date1      date2
0 2018-12-31 2019-01-02
1 2019-01-04 2019-01-06
2 2019-01-08 2019-01-10
3 2019-01-12 2019-01-14
4 2019-01-16 2019-01-18
5 2019-01-20 2019-01-22
6 2019-01-24 2019-01-26
7 2019-01-28 2019-01-30

df.dtypes

date1    object
date2    object
dtype: object

这是以下情况的可接受案例apply：

df.apply(pd.to_datetime, errors='coerce').dtypes

date1    datetime64[ns]
date2    datetime64[ns]
dtype: object

请注意，这对于stack还是有意义的，或者仅使用显式循环。所有这些选项都比使用稍微快一点apply，但是差异很小，可以原谅。

%timeit df.apply(pd.to_datetime, errors='coerce')
%timeit pd.to_datetime(df.stack(), errors='coerce').unstack()
%timeit pd.concat([pd.to_datetime(df[c], errors='coerce') for c in df], axis=1)
%timeit for c in df.columns: df[c] = pd.to_datetime(df[c], errors='coerce')

5.49 ms ± 247 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
3.94 ms ± 48.1 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
3.16 ms ± 216 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
2.41 ms ± 1.71 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

您可以对其他操作（例如字符串操作或转换为类别）进行类似的设置。

u = df.apply(lambda x: x.str.contains(...))
v = df.apply(lambda x: x.astype(category))

伏/秒

u = pd.concat([df[c].str.contains(...) for c in df], axis=1)
v = df.copy()
for c in df:
    v[c] = df[c].astype(category)

等等...

将Series转换为str：astypevsapply

这似乎是API的特质。与使用相比，apply用于将Series中的整数转换为字符串的方法具有可比性（有时更快）astype。

使用该perfplot库绘制该图。

import perfplot

perfplot.show(
    setup=lambda n: pd.Series(np.random.randint(0, n, n)),
    kernels=[
        lambda s: s.astype(str),
        lambda s: s.apply(str)
    ],
    labels=['astype', 'apply'],
    n_range=[2**k for k in range(1, 20)],
    xlabel='N',
    logx=True,
    logy=True,
    equality_check=lambda x, y: (x == y).all())

使用浮点数时，我看到的astype速度始终与一样快，或略快于apply。因此，这与测试中的数据是整数类型有关。

GroupBy 链式转换操作

GroupBy.apply到目前为止尚未进行讨论，但是GroupBy.apply它也是一个迭代便利函数，用于处理现有GroupBy函数未处理的任何事情。

一个常见的要求是执行GroupBy，然后执行两个主要操作，例如“滞后的累积量”：

df = pd.DataFrame({"A": list('aabcccddee'), "B": [12, 7, 5, 4, 5, 4, 3, 2, 1, 10]})
df

   A   B
0  a  12
1  a   7
2  b   5
3  c   4
4  c   5
5  c   4
6  d   3
7  d   2
8  e   1
9  e  10

您需要在此处进行两个连续的groupby调用：

df.groupby('A').B.cumsum().groupby(df.A).shift()

0     NaN
1    12.0
2     NaN
3     NaN
4     4.0
5     9.0
6     NaN
7     3.0
8     NaN
9     1.0
Name: B, dtype: float64

使用apply，您可以将其缩短为一个电话。

df.groupby('A').B.apply(lambda x: x.cumsum().shift())

0     NaN
1    12.0
2     NaN
3     NaN
4     4.0
5     9.0
6     NaN
7     3.0
8     NaN
9     1.0
Name: B, dtype: float64

量化性能非常困难，因为它取决于数据。但是总的来说，apply如果目标是减少groupby通话，这是一个可以接受的解决方案（因为groupby它也很昂贵）。

其他注意事项

除了上述注意事项外，还值得一提的是apply在第一行（或列）上执行两次。这样做是为了确定该功能是否有任何副作用。如果不是，则apply可能能够使用快速路径来评估结果，否则将退回到缓慢的实施方式。

df = pd.DataFrame({
    'A': [1, 2],
    'B': ['x', 'y']
})

def func(x):
    print(x['A'])
    return x

df.apply(func, axis=1)

# 1
# 1
# 2
   A  B
0  1  x
1  2  y

在GroupBy.apply小于0.25的熊猫版本中也可以看到此行为（已固定为0.25，有关更多信息，请参见此处。）

并非所有人apply都一样

下图建议何时考虑apply¹。绿色意味着高效。红色避免。

其中一些是直观的：pd.Series.apply是Python级的逐行循环，同上是pd.DataFrame.apply逐行（axis=1）。这些的滥用是广泛的。另一篇文章更深入地探讨了它们。流行的解决方案是使用矢量化方法，列表推导（假定数据干净）或有效的工具pd.DataFrame（例如构造函数）（例如避免使用apply(pd.Series)）。

如果使用pd.DataFrame.apply逐行方式，则指定raw=True（如果可能）通常是有益的。在这个阶段，numba通常是一个更好的选择。

GroupBy.apply：普遍偏爱

groupby避免重复操作apply会损害性能。GroupBy.apply只要您在自定义函数中使用的方法本身是矢量化的，通常在这里就可以了。有时，没有适用于希望应用的逐组聚合的本地Pandas方法。在这种情况下，对于少数apply具有自定义功能的组可能仍会提供合理的性能。

pd.DataFrame.apply 专栏式：混合袋

pd.DataFrame.apply按列（axis=0）是一个有趣的情况。对于少量的行而不是大量的列，几乎总是很昂贵的。对于相对于列的大量行（更常见的情况），使用以下命令有时可能会看到显着的性能改进apply：

# Python 3.7, Pandas 0.23.4
np.random.seed(0)
df = pd.DataFrame(np.random.random((10**7, 3)))     # Scenario_1, many rows
df = pd.DataFrame(np.random.random((10**4, 10**3))) # Scenario_2, many columns

                                               # Scenario_1  | Scenario_2
%timeit df.sum()                               # 800 ms      | 109 ms
%timeit df.apply(pd.Series.sum)                # 568 ms      | 325 ms

%timeit df.max() - df.min()                    # 1.63 s      | 314 ms
%timeit df.apply(lambda x: x.max() - x.min())  # 838 ms      | 473 ms

%timeit df.mean()                              # 108 ms      | 94.4 ms
%timeit df.apply(pd.Series.mean)               # 276 ms      | 233 ms

¹有例外，但通常很少或很少。几个例子：

1. df['col'].apply(str)可能略胜一筹df['col'].astype(str)。
2. df.apply(pd.to_datetime)与常规for循环相比，对字符串进行处理无法很好地适应行缩放。

对于axis=1（即按行函数），则可以使用以下函数代替apply。我想知道为什么这不是pandas行为。（未经复合索引测试，但确实比快得多apply）

def faster_df_apply(df, func):
    cols = list(df.columns)
    data, index = [], []
    for row in df.itertuples(index=True):
        row_dict = {f:v for f,v in zip(cols, row[1:])}
        data.append(func(row_dict))
        index.append(row[0])
    return pd.Series(data, index=index)

有没有什么情况apply是好的？是的，有时。

任务：解码Unicode字符串。

import numpy as np
import pandas as pd
import unidecode

s = pd.Series(['mañana','Ceñía'])
s.head()
0    mañana
1     Ceñía


s.apply(unidecode.unidecode)
0    manana
1     Cenia

更新
我绝不是提倡使用apply，只是考虑到NumPy无法解决上述情况，因此它可能是一个很好的选择pandas apply。但是由于@jpp的提醒，我忘记了普通的ol列表理解。