Pandas遍历DataFrame效率低，求无循环的向量化替代方案

你的代码执行慢的核心原因是逐行循环操作DataFrame——这完全浪费了Pandas和NumPy的矢量化运算优势，Python级别的循环在处理大数据量时会产生极高的开销。

直接用矢量化方式重写，完全规避循环：

步骤1：确保日期列是datetime类型（如果还不是） #

df['Date_réception'] = pd.to_datetime(df['Date_réception'])

步骤2：矢量化计算工作日偏移 #

# 初始化目标列为NaN
df['Date_engagement'] = np.nan

# 筛选Engagement非空的行
mask = df['Engagement'].notna()

# 对符合条件的整列批量执行busday_offset
df.loc[mask, 'Date_engagement'] = np.busday_offset(
    df.loc[mask, 'Date_réception'].dt.date.values,  # 提取日期数组
    df.loc[mask, 'Engagement'].values,              # 提取工作日偏移量数组
    roll='backward',
    busdaycal=france_bdc
)

为什么这样更快？ #

np.busday_offset原生支持数组输入，会直接在底层用C语言批量处理所有数据，而不是像循环那样逐行调用Python代码，速度能提升几个数量级。

你之前用apply没成功，是因为apply本质还是逐行/逐列的循环（只是封装了），效率提升有限，而矢量化才是真正的批量运算方案。

内容的提问来源于stack exchange，提问作者leboma241