df.apply(func, axis=1)慢因Python逐行迭代及Series构造开销；应优先用向量化表达式（如df['a']+df['b']*2），必要时用raw=True、提前列提取或np.select替代。
为什么df.apply(func, axis=1)慢得反常？
因为默认触发 Python 层逐行迭代，哪怕 func 内部只做几个算术运算，也会被 Pandas 封装成 Series 对象传入——构造开销大、类型检查多、无法向量化。实测 10 万行数据下，纯 NumPy 向量化比 axis=1 快 5–20 倍，取决于函数复杂度。
常见误用：df.apply(lambda row: row['a'] + row['b'] * 2, axis=1) —— 完全可以用 df['a'] + df['b'] * 2 替代，后者底层走的是 C 实现的数组广播。
- 优先检查能否用原生 Pandas/NumPy 表达式替代（加减乘除、
np.where、df.clip等） - 若必须用逻辑分支或调用外部库函数（如
math.log），再考虑apply或更优方案 -
axis=1下传入的row是pd.Series，索引对齐但访问比字典慢；用row.iloc[0]比row['col_name']略快，但提升有限
用 np.vectorize 包裹自定义函数真能加速吗？
不能。它只是语法糖，底层仍是 Python 循环，甚至因额外封装层略慢于原生 apply。别被名字误导。
真正有效的替代是：numba.jit（需重写为纯数值函数）或直接用 np.select/np.piecewise 拆解条件逻辑。例如实现分段计算：
conditions = [df['x'] = 0) & (df['x'] = 10] choices = [df['x'] * 2, df['x'] ** 2, np.log(df['x'] + 1)] df['result'] = np.select(conditions, choices, default=np.nan)
-
np.select支持任意列组合条件，且全程不脱离 NumPy 数组 - 所有
conditions和choices必须同长度，布尔数组用&（不是and）连接 - 若逻辑含字符串操作或 Pandas 特有方法（如
.str.contains），仍需apply，但可配合result_type='expand'预分配结果结构
当必须用 apply 时，怎么减少开销？
核心原则：让每一步都尽可能贴近底层数组操作，避免在循环内反复触发 Pandas 方法。
- 提前提取所需列：用
df[['a', 'b', 'c']].apply(..., axis=1)，而非全量df.apply(...)，减少内存拷贝 - 用
raw=True参数：使apply直接传入numpy.ndarray而非Series，访问速度提升约 30%；此时需按位置索引：row[0] + row[1] * 2 - 避免在函数内调用
df.loc、df.query等全局操作——它们会重建索引，完全抵消加速效果 - 若返回多列，用
result_type='expand'显式声明，比返回元组再pd.DataFrame拆解快
跨列计算遇到 SettingWithCopyWarning 怎么办？
这不是性能问题，但常和 apply 场景共存：你在视图（view）上尝试赋值，Pandas 不确定是否该修改原数据。
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。
最稳妥做法是显式复制或使用 .loc 定位：
# 错误（可能警告且不生效） df['new_col'] = df.apply(..., axis=1) <h1>正确（确保写入原 DataFrame）</h1><p>df.loc[:, 'new_col'] = df[['a', 'b']].apply(lambda x: x['a'] + x['b'], axis=1)</p><h1>或强制副本（适合后续要独立处理的场景）</h1><p>df_new = df.copy() df_new['new_col'] = df_new[['a', 'b']].apply(..., axis=1)</p>
注意：即使用了 .loc，如果 df 本身是切片得来（如 df_sub = df[df['flag']] ），仍可能触发警告——这时必须用 .copy()。
跨列计算本身不难，难的是在向量化、可读性、内存安全之间找平衡点。越早把逻辑拆成 NumPy 原语，后期维护和提速的空间越大。
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！
