如何优化Pandas DataFrame中行元素位置交换的低效代码？

你的代码处理大型DataFrame时效率低下的核心原因是用Python循环逐行遍历+频繁使用.at修改单个元素——这完全违背了Pandas的向量化设计初衷，Python循环在处理十万级以上数据时会产生巨大的性能开销。

优化方案：使用向量化布尔索引批量处理 #

Pandas的优势在于批量操作，我们可以先筛选出需要交换的行，再对目标列进行批量交换，全程避免逐行循环：

import pandas as pd

def main():
    gamestatistics = pd.read_csv('CvCaggregation.csv')
    
    # 生成需要交换行的布尔掩码
    swap_mask = gamestatistics['championname'] > gamestatistics['enemyname']
    
    # 批量交换championname与enemyname
    temp_name = gamestatistics.loc[swap_mask, 'championname'].copy()
    gamestatistics.loc[swap_mask, 'championname'] = gamestatistics.loc[swap_mask, 'enemyname']
    gamestatistics.loc[swap_mask, 'enemyname'] = temp_name
    
    # 批量交换position与enemyposition
    temp_pos = gamestatistics.loc[swap_mask, 'position'].copy()
    gamestatistics.loc[swap_mask, 'position'] = gamestatistics.loc[swap_mask, 'enemyposition']
    gamestatistics.loc[swap_mask, 'enemyposition'] = temp_pos
    
    # 批量交换championwinrate与enemywinrate
    temp_winrate = gamestatistics.loc[swap_mask, 'championwinrate'].copy()
    gamestatistics.loc[swap_mask, 'championwinrate'] = gamestatistics.loc[swap_mask, 'enemywinrate']
    gamestatistics.loc[swap_mask, 'enemywinrate'] = temp_winrate
    
    # 可选：统计交换行数（替代逐行打印）
    print(f"Adjusted {swap_mask.sum()} rows")
    
    return gamestatistics

为什么这个方案更快？ #

• 向量化操作：所有交换逻辑都是基于布尔索引的批量处理，底层由C语言实现，比Python循环快几十到几百倍；
• 避免频繁IO：原代码每次.at修改都会触发DataFrame的内部更新，批量操作只需要几次更新即可完成；
• 减少冗余操作：去掉了逐行打印的开销（如果需要统计交换行数，用swap_mask.sum()一次计算即可）。

示例说明 #

比如你的示例中，当Yasuo > Akali条件成立时，swap_mask会标记该行，代码会自动交换对应行的championname/enemyname、position/enemyposition、championwinrate/enemywinrate列值，逻辑和原代码完全一致，但效率提升显著。

内容的提问来源于stack exchange，提问作者Jack