tqdm 套 pandas.dataframe.apply 没反应是因为 apply 不暴露迭代过程，正确做法是用 tqdm.pandas() 后调用 progress_apply，或改用 tqdm(df.itertuples()) 显式循环。
为什么 tqdm 套 pandas.DataFrame.apply 没反应？
因为 apply 默认不暴露迭代过程，tqdm 无法感知内部循环进度。直接写 tqdm(df.apply(...)) 会卡住或只显示单步——apply 返回的是结果 Series/DataFrame，不是可迭代对象。
正确做法是把操作拆成显式循环，再用 tqdm 包裹行或索引：
- 对逐行处理：用
df.iterrows()或df.itertuples()（后者更快） - 避免用
df.apply(..., axis=1)+tqdm装饰器，它不会生效 - 若必须用
apply（比如想利用向量化），改用tqdm.pandas()——但仅限简单函数，且底层仍转为itertuples
tqdm.pandas() 怎么用？有哪些限制？
tqdm.pandas() 是 pandas 扩展方法，给 apply 注入进度条支持。但它不是万能的：
- 必须在调用前执行一次
tqdm.pandas()，否则报AttributeError: 'DataFrame' object has no attribute 'progress_apply' - 它实际提供的是
progress_apply（非原生apply），且仅支持axis=1的逐行场景 - 不支持
axis=0（逐列）或groupby().apply() - 内部仍逐行迭代，性能和
itertuples()相近，别指望加速
示例：
from tqdm import tqdm tqdm.pandas() # 必须先调用 result = df.progress_apply(lambda x: expensive_func(x['a'], x['b']), axis=1)
逐行处理时该选 iterrows 还是 itertuples？
itertuples 几乎总是更好：快 2–5 倍，且返回命名元组，字段访问更稳定（row.a 不受列名含空格/特殊字符影响）；iterrows 返回 (index, Series)，Series 构造开销大，且列名含空格时 row['col name'] 易错。
配合 tqdm 的典型写法：
from tqdm import tqdm
for row in tqdm(df.itertuples(), total=len(df)):
result.append(process(row.a, row.b))
# 注意：一定要传 total=len(df)，否则长度未知，进度条无法计算百分比
- 漏掉
total=参数会导致进度条只显示「?%」和「?? it/s」 - 如果 df 索引被重置过或含重复值，
itertuples仍安全；iterrows在某些链式操作后可能触发SettingWithCopyWarning
多进程下还能用 tqdm 吗？
不能直接用。标准 tqdm 不支持跨进程共享进度状态，子进程里调 tqdm 会各自打一行，混乱且不准。
可行方案只有两个：
- 用
tqdm.contrib.concurrent提供的封装函数，如process_map，它自动管理主进程进度条和子进程通信 - 放弃实时进度，改用日志计数（如每处理 1000 行 print 一次）
示例（需安装最新 tqdm ≥4.66）：
from tqdm.contrib.concurrent import process_map results = process_map(expensive_func, df['col'].tolist(), max_workers=4)
注意：process_map 只接受一维可迭代对象，不能直接传 DataFrame 或 Series ——得先转成 list/tuple。
复杂点在于：所有参数必须能被 pickle，闭包变量、lambda、类方法都不能直接传；容易被忽略的是，子进程看不到主进程里的全局变量或导入模块，得显式传参或重构函数。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
