95%以上的for循环场景可用向量化操作替代；因for循环绕过Pandas的NumPy/C内核，触发逐行解释开销，而np.where、pd.cut、str方法、列运算等可批量执行。
直接结论：95% 以上的 for 循环场景，都能用向量化操作替代；强行保留循环或滥用 .apply() 是性能瓶颈的主因，不是“写法习惯问题”，而是对 Pandas 底层机制的误判。
为什么 for 循环在 Pandas 里特别慢
Python 解释器逐行执行 for i in range(len(df)): 时，每次访问 df.loc[i, 'col'] 都触发完整索引解析、类型检查和内存寻址。数据量过万，开销就指数级上升。更关键的是，这种写法完全绕过了 Pandas 基于 NumPy 的 C/Fortran 向量化内核——你不是在“用 Pandas”，而是在用 Python 拿 Pandas 当容器使。
-
df.iterrows()和df.itertuples()本质仍是 Python 层循环，仅比.loc稍快，但不解决根本问题 -
.apply(func, axis=1)不是向量化，它只是把for循环藏起来了，底层仍是一行一行传参调用 Python 函数 - 真正向量化 = 所有计算由 NumPy/C 引擎批量完成，零 Python 解释器介入
常见场景的向量化替代写法
别想“怎么把我的 for 写成 apply”，先问：“这个逻辑能不能用数组运算表达？” 大部分能。
- 条件赋值：用
np.where(df['age'] > 30, 'adult', 'young')，不是for+if - 分段打标：用
pd.cut(df['score'], bins=[0,60,80,100], labels=['F','C','A'])，不是循环判断区间 - 字符串处理：用
df['name'].str.upper()，不是.apply(str.upper)（后者对 NaN 报错，前者自动跳过） - 数值计算：用
df['A'] + df['B'] * 2，不是for中逐行算再赋值 - 时间偏移：用
df['date'] + pd.Timedelta('7D')，不是循环构造datetime对象再加
merge + combine_first 替代条件更新循环
当你需要按多列匹配规则表来修正原始数据（比如 Excel 里一堆“如果 A=1 且 B='x'，则 C 改为 99”），千万别写 for idx, row in KORR.iterrows(): df.loc[(df['A']==row['A']) & (df['B']==row['B']), 'C'] = row['C']——每轮都要全表扫描布尔索引，百条规则就能让十万行 DataFrame 卡死。
librosa 是一个用于音频和音乐分析的 Python 库。它提供了特征提取、频谱分析、节拍跟踪、起始检测和音频可视化的工具，基于 NumPy 和 SciPy 构建，用于科学音频计算。
- 正确做法是：用
pd.merge(df, KORR, how='left', on=['A','B'])一次对齐所有匹配项 - 再用
df['C'] = df['C_new'].combine_first(df['C'])完成“有新值则覆盖，无则保留原值” - 注意：
KORR中的修正列名必须与原列不同（如叫'C_new'），否则merge会自动后缀_x/_y，破坏逻辑 -
combine_first对 NaN 敏感，确保修正列缺失值确实是NaN，不是空字符串或占位符
apply 什么时候可以接受
.apply() 不是敌人，但它是“最后选项”。只有当逻辑无法拆解为纯数组运算、且函数本身足够轻量时，才考虑它，并优先用 raw=True 和 axis=0。
- 列级简单映射（如
df['code'].apply(lambda x: mapping.get(x, 'unknown'))）可接受，因为map()更快，但apply也凑合 - 避免
axis=1：除非你确认函数内部没调用任何 Pandas 方法（如row['A'] + row['B']可以，但row.sum()就不行） -
raw=True能让.apply()传入 NumPy 数组而非Series，减少对象封装开销，提速明显 - 永远别在
.apply()里做 I/O、网络请求、复杂 if-else 堆叠——那已经不是数据处理，是业务脚本了
最常被忽略的一点：向量化不是“语法替换”，而是思维切换——从“我怎么处理这一行”，变成“整个列满足什么数学/逻辑关系”。一旦卡在某个操作上想不出向量化写法，大概率是该操作本身设计不合理，或者该用 pd.cut、np.select、groupby().transform() 这些更专用的原语，而不是硬套 apply。
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！
