Python中循环嵌套判断处理大数据Frame过慢，求高效优化方案

问题场景 #

现有结构如下的DataFrame：

A      B
0    Plus   632
1    Min    24
2    Min    99
3    Plus   0.15
...  ...    ...

需求：对A列值以'Min'开头的行，将对应B列的值乘以-1。

原实现代码（性能极差）：

for i in range(1, len(df)):
    if df.loc[i, 'A'].startswith('Min'):
        df.loc[i, 'B'] = df.loc[i, 'B'] * -1

该代码处理大数据框时耗时呈指数增长：5万行15秒、10万行30秒、20万行160秒、30万行500秒，无法处理70万行的DataFrame。

提速方案 #

所有方案均基于向量化运算，利用Pandas/Numpy的C级底层实现替代Python循环，性能提升几个数量级：

方案1：布尔索引批量赋值（最通用） #

df.loc[df['A'].str.startswith('Min'), 'B'] *= -1

直接通过布尔索引定位所有符合条件的行，批量修改B列值，无需逐行遍历，70万行数据可在几秒内完成。

方案2：numpy.where条件替换 #

import numpy as np
df['B'] = np.where(df['A'].str.startswith('Min'), df['B'] * -1, df['B'])

利用numpy的向量化条件判断，一次性生成新的B列值，效率与方案1相当，适合需要生成新列而非修改原列的场景。

方案3：映射转换（适用于A列取值仅为Plus/Min） #

如果A列只有'Plus'和'Min'两种固定值，可进一步简化：

df['B'] *= df['A'].map({'Plus': 1, 'Min': -1})

通过映射将A列转换为1/-1的乘数，直接与B列相乘，避免字符串匹配开销，性能最优。

原代码慢的原因 #

Python循环逐行使用.loc访问时，每次操作都会触发Pandas的索引校验、数据定位等额外开销，且Python循环本身执行效率远低于C级的向量化运算，数据量越大，开销累积越严重，最终导致耗时指数级增长。

内容的提问来源于stack exchange，提问作者Prmake