如何使用Numpy Vectorize替代pandas apply函数实现条件判断

np.vectorize 写法修正 #

你代码报错的核心原因是函数入参和实际传入的参数类型不匹配：你定义的copy_filter预期接收DataFrame行对象、读取DAYS字段判断，但调用a(df['DAYS'])时传入的是DAYS列的单个数值，对数值执行['DAYS']索引操作必然报错。

修正后的代码如下：

# 函数改为接收单个DAYS数值作为入参
def copy_filter(days):
    return days < 365

a = np.vectorize(copy_filter, otypes = [bool])
df['bool_vectorize'] = a(df['DAYS'])

注意：np.vectorize 本质是简化代码的语法糖，并不会带来性能提升，内部依然是循环遍历元素执行函数，运行速度和apply基本一致，甚至可能更慢，生产环境不推荐用这种方式实现简单逻辑。

其他适用的场景优化技术 #

• 最简最高效方案：直接利用pandas的向量化比较操作，不需要调用任何额外函数，代码如下：

  df['bool'] = df['DAYS'] < 365
  

  该操作直接在numpy数组层执行计算，是所有实现中性能最高、代码最简洁的方式，完全可以替代你写的apply和np.where版本。
• 多条件判断场景：如果后续逻辑扩展为多区间、多条件判断，可以用np.select或者pd.cut实现向量化计算，性能远高于逐行判断。
• 复杂自定义逻辑场景：如果判断逻辑非常复杂无法用现有向量化函数实现，可以用numba库的@njit装饰器编译自定义函数，运行速度可以接近C语言级别。

内容的提问来源于stack exchange，提问作者user13925399