我何时应该在代码中使用pandas apply（）？
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评论下说“ apply很慢，应该避免”。
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：
- 如果apply太糟糕了，那为什么在API中呢？
- 我应该如何以及何时使代码
apply免费？ - 在任何情况下
apply都存在良好的情况（优于其他可能的解决方案）吗？
-
apply，你根本不需要的便利功能
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可以做到：
- 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，因此需要时将其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，在这些情况下你将希望摆脱对的任何调用apply。数值数据
如果你正在使用数字数据，则可能已经有一个矢量化的cython函数可以完全实现你要执行的操作（如果没有，请在
Stack Overflow上提问或在GitHub上打开功能请求）。比较apply简单的加法运算的性能。
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) 即使你启用带有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”分别出现在它们的“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，存在使用列表推导的更好解决方案。
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。如果你需要处理NaN和无效的dtypes，则可以使用自定义函数在此基础上进行构建，然后可以在列表推导中使用参数进行调用。
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，请参阅我的文章：For循环使用熊猫-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，你应该更喜欢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DataFrames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快一些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)你可以对其他操作（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可比（有时更快）astype。
在此处输入图片说明 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速度始终与相同，或稍快于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你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，你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。）
