Pandas DataFrame行遍历加速及np.vectorize用法纠错求助

我有一个100行（后续行数会增加）、2689列的DataFrame（df），需要对每行应用函数fn1(row,a,b)，该函数内部包含无法避免的循环。我尝试了四种方法来提速，但未发现耗时差异：

• 朴素方法：

for i in df.values:
    # 执行操作

• 使用apply：

df['f']= df.apply(lambda row: fn1(row,a,b), axis=1, raw=True)
# 5*2689规模的df耗时1.2

• 直接传入values：

df['f']=fn1(df.values,a,b)
# 耗时相同

• 使用np.vectorize：

vectfunc=np.vectorize(fn1)       
df['f'] = vectfunc(df[df.columns[0:]],a, b)  
# 或
df['f'] = vectfunc(df,a, b)

第四种方法报错'numpy.float64' object is not iterable，原因是fn1内部会将传入的行转为列表，但当前传入的是单个元素而非整行。

我想寻求提速方案，若当前数据规模太小无法判断差异，至少请纠正第四种方法的用法。另外，我了解到np.vectorize本身不提速，请问能否使用Pandas向量化？

内容的提问来源于stack exchange，提问作者knowledge_seeker