如何向量化加速Pandas iterrows？解决apply前序索引使用困惑

你现在用iterrows()逐行循环的方式效率极低，尤其是数据量大的时候，完全没必要这么做。Pandas提供了向量化操作的能力，用shift()函数就能轻松替代循环，速度提升几个量级都不是问题。

核心逻辑很简单：shift(n)会把Adj_Close列的数据整体向下移动n行，这样当前行的值除以shift(n)后的值，再减1，就是你要的n周期涨跌幅，全程不需要循环。

直接替换成下面的代码就行：

# 用向量化操作计算各周期涨跌幅
data['1_Day_%_Change'] = (data['Adj_Close'] / data['Adj_Close'].shift(1)) - 1
data['5_Day_%_Change'] = (data['Adj_Close'] / data['Adj_Close'].shift(5)) - 1
data['1_Month_%_Change'] = (data['Adj_Close'] / data['Adj_Close'].shift(21)) - 1
data['6_Month_%_Change'] = (data['Adj_Close'] / data['Adj_Close'].shift(151)) - 1
data['1_Year_%_Change'] = (data['Adj_Close'] / data['Adj_Close'].shift(252)) - 1

为什么这方法更快？ #

• Pandas的向量化操作是底层基于C实现的，避开了Python循环的开销，数据量越大，对比iterrows()的速度差距越明显。
• 原来的循环里每次都要做索引查找、at赋值，这些都是非常耗时的Python层面操作，现在一行代码搞定一个周期，简洁高效。
• shift()会自动处理开头的行（比如第0行用shift(1)后会得到NaN），不需要你手动判断索引是否为0，后续可以根据需求用fillna()填充缺失值，或者直接保留。

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