如何提升DataFrame全列自定义函数apply操作的执行效率？

我实现了以下自定义函数，用于返回数值型pd.Series中最后一个非零值的逆位置：若最后一个值非零则返回1，若所有值均为非零则返回0：

def calculate_recency_for_one_column(column: pd.Series) -> int:
    """Returns the inverse position of the last non-zero value in a pd.Series of numerics.
    If the last value is non-zero, returns 1. If all values are non-zero, returns 0."""
    non_zero_values_of_col = column[column.astype(bool)]
    if non_zero_values_of_col.empty:
        return 0
    return len(column) - non_zero_values_of_col.index[-1]

我通过以下代码将该函数应用于示例DataFrame的所有列：

df = pd.DataFrame(np.random.binomial(n=1, p=0.001, size=[1000000]).reshape((1000,1000)))

df.apply(lambda column: calculate_recency_for_one_column(column),axis=0)

执行结果如下：

0      436
1        0
2      624
3        0
      ... 
996    155
997    715
998    442
999    163
Length: 1000, dtype: int64

功能运行正常，但由于该操作需要频繁执行，我需要更高效的替代方案。我认为calculate_recency_for_one_column()函数本身效率尚可，df.apply()存在最大优化空间。以下是原方法的基准测试结果（执行100次）：

>>> timeit.timeit(lambda: df.apply(lambda column: calculate_recency_for_one_column(column),axis=0), number=100)
14.700050864834338

优化方案测试结果 #

更新
Mustafa提供的方案测试结果：

>>> timeit.timeit(lambda: pd.Series(np.where(df.eq(0).all(), 0, len(df) - df[::-1].idxmax())), number=100)
0.8847485752776265

padu提供的方案测试结果：

>>> timeit.timeit(lambda: df.apply(calculate_recency_for_one_column_numpy, raw=True, axis=0), number=100)
0.8892530500888824

内容的提问来源于stack exchange，提问作者Viktor