如何加速Pandas DataFrame十六进制转整数？旧版本兼容方案

首先得说清楚你为啥会遇到那个报错：你用df2.apply(int, base=16)的时候，Pandas的apply在DataFrame层面是把**整列（Series对象）**传给int函数，而int()根本处理不了Series，自然就报错了——哪怕列是object类型的字符串，也得针对每个元素来调用int才行。

针对旧版Pandas（无法直接用新版的一些优化API），这里有几个比你原来嵌套lambda更快的方案：

方案1：用列表推导式批量处理列（比嵌套map快） #

列表推导式在Python里的执行效率比map+lambda要高不少，你可以对每一列单独处理：

for col in df.columns:
    df[col] = [int(x, 16) for x in df[col]]

如果担心列里混有非字符串值（旧版Pandas设dtype=str后偶尔会有疏漏），可以加个简单的类型判断：

for col in df.columns:
    df[col] = [int(x.strip(), 16) if isinstance(x, str) else x for x in df[col]]

方案2：用NumPy向量化函数提速 #

NumPy的向量化操作比纯Python循环更快，你可以用np.vectorize包装int函数，然后批量处理整个DataFrame：

import numpy as np

# 包装转换函数，提前指定输出类型减少开销
hex_to_int = np.vectorize(lambda x: int(x, 16), otypes=[np.int64])
df = df.apply(hex_to_int)

方案3：读取数据时直接转换（最优解） #

如果你的DataFrame是从外部文件（比如CSV）读取的，最好在读取阶段就完成转换，避免后续全量处理。用pd.read_csv的converters参数，针对每一列指定转换逻辑：

# 先读取一行获取所有列名，再构造转换器字典
col_names = pd.read_csv('your_file.csv', nrows=0).columns
converters = {col: lambda x: int(x, 16) for col in col_names}
df = pd.read_csv('your_file.csv', converters=converters)

这种方式在读取时直接把十六进制字符串转成整数，后续不需要额外处理，是效率最高的做法。

为啥你原来的方法慢？ #

你用的df.apply(lambda x: x.astype(str).map(lambda x: int(x, base=16)))是两层lambda嵌套，而且astype(str)会对整个列做无意义的重复类型转换（哪怕已经是字符串），再加上map的额外调用开销，处理大型DataFrame时自然就慢了——上面的方案都避免了不必要的操作，用更高效的循环或向量化逻辑替代，速度会提升很多。

内容的提问来源于stack exchange，提问作者Sam