加速DataFrame.mask（）迭代

Question

是否有比使用.mask（）更快的方法对某些数据帧列执行条件计算？下面显示的代码似乎可以工作，但在使用大型数据集时速度可能会很慢

def inversing(column):
    DF = pd.read_csv('DataFrame.csv')
    DF[column] = DF[column].mask(DF[column] !=0, 1/DF[column])

columns_to_inverse = ['a','b','c']
inverting(columns_to_inverse)

Answer 1

有多种方法可以实现这一点，但直接的方法是使用lambda： df[column].apply(lambda x: 1/x if x != 0 else x)

jupyter笔记本中的完整代码和计时：

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randint(-50, 50, 100))
%timeit df[0].mask(df[0] !=0, 1/df[0])
%timeit df[0].apply(lambda x: 1/x if x != 0 else x)

在我的机器上产生：

1.58 ms ± 6.57 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
324 µs ± 642 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)