pandas DataFrame使用apply调用HAPropsSI运行慢，有什么优化方案？

性能问题原因 #

你当前遇到的性能问题核心是pandas.DataFrame.apply按行遍历本质是Python层的循环，40万行规模下Python循环的开销会被无限放大，自然耗时极长。

你之前用np.vectorize报错的原因：np.vectorize并不是真正的向量化实现，只是语法糖，本质还是内部迭代调用函数，不会带来性能提升。你遇到的报错是因为HAPropsSI要求：如果传入数组作为数值参数，所有数值输入必须是同长度的1D数组/列表，你传的压力P是固定标量101325，和温度、相对湿度的数组长度不匹配，因此触发类型错误。

优化方案 #

方案1：直接使用HAPropsSI原生数组支持（性能最优）

CoolProp的HAPropsSI本身原生支持1D numpy数组作为输入，不需要额外封装，只需要把固定的压力值也转换为和温度、相对湿度同长度的数组即可，速度提升可达百倍级：

import pandas as pd
import numpy as np
from CoolProp.HumidAirProp import HAPropsSI

# 提取数组格式输入，避免pandas Series的额外开销
T_k = df['T'].values + 273.15
RH_dec = df['RH'].values / 100
# 生成和输入数组同长度的压力数组，值均为101325
P_arr = np.full_like(T_k, 101325)

# 直接调用HAPropsSI，原生向量化计算，无Python循环开销
df['H'] = HAPropsSI('H', 'T', T_k, 'P', P_arr, 'R', RH_dec)

方案2：Numba JIT编译加速（适合有自定义复杂逻辑的场景）

如果你后续有更复杂的计算逻辑，无法直接用HAPropsSI原生数组实现，可以用Numba对循环做JIT编译，把Python循环编译为机器码执行，性能接近原生向量化：

import numba
import numpy as np
from CoolProp.HumidAirProp import HAPropsSI

# 开启nopython模式，编译为纯机器码
@numba.njit
def calc_enthalpy(T_arr, RH_arr, P):
    n = len(T_arr)
    res = np.empty(n, dtype=np.float64)
    for i in range(n):
        res[i] = HAPropsSI('H', 'T', T_arr[i] + 273.15, 'P', P, 'R', RH_arr[i]/100)
    return res

# 传入numpy数组调用
df['H'] = calc_enthalpy(df['T'].values, df['RH'].values, 101325)

该方案首次运行会有编译开销，后续重复调用速度极快。

方案3：并行计算兜底

如果前两种方案都不适用，可以使用多进程并行的方式拆分apply任务到多CPU核心执行，相比单线程apply也能获得和核心数接近的加速比。

内容的提问来源于stack exchange，提问作者Zephyr