pandas DataFrame apply中lambda与命名函数的性能差异咨询

你观察到的速度差距和lambda与命名函数的语言层面差异完全无关，更不是什么普遍存在的特性——只要两个函数的计算逻辑完全等价，lambda生成的匿名函数和def定义的命名函数在pandas的apply场景下，执行速度没有可测量的区别。

你测试里lambda版本更慢，本质是这个lambda的代码本身写了大量无意义的重复计算：

• 没有任何临时变量存储中间值，每次用到列值都重复通过x['列名']访问，反复触发字典式的行索引查找
• 判别式(b**2 -4*a*c)的逻辑完整写了两遍，同一个值算了两次
• cmath.sqrt重复调用了两次
• 最明显的逻辑bug是：返回的两个根用了完全相同的计算公式，本该计算-b + sqrt(dis)的分支根本没写，相当于多跑了一整遍完全没有产出的计算流程

这种冗余带来的性能损耗，哪怕你把这段逻辑用def写成正式的命名函数，运行速度也会和你写的lambda版本一样慢。可以做个简单的对照实验：

# 完全照搬你lambda逻辑的命名函数
def redundant_func(x):
    return (
        np.round((-x['col2'] - cmath.sqrt((x['col2'] ** 2) - (4 * x['col1'] * x['col3']))) / (2 * x['col1']), 2),
        np.round((-x['col2'] - cmath.sqrt((x['col2'] ** 2) - (4 * x['col1'] * x['col3']))) / (2 * x['col1']), 2)
    )
# 用这个函数跑apply，耗时会和lambda版本几乎完全一致

为什么普遍不会出现lambda比命名函数慢的情况 #

从Python解释器的实现层面看，lambda和def生成的函数对象没有本质区别：

• 除了lambda生成的函数默认__name__是<lambda>，二者的字节码结构、函数调用流程、参数传递逻辑完全一致
• 不存在解释器对匿名函数的特殊优化或额外开销

只要你把lambda的逻辑调整成和之前的命名函数完全等价的写法，去掉所有重复计算，二者的性能差会直接落到测量误差范围内：

# 和命名函数计算逻辑完全一致的lambda实现
df['roots_lambda_fixed'] = df.apply(
    lambda x: (
        lambda a, b, c: (
            np.round((-b - cmath.sqrt(b**2 - 4*a*c))/(2*a), 2),
            np.round((-b + cmath.sqrt(b**2 - 4*a*c))/(2*a), 2)
        )
    )(x['col1'], x['col2'], x['col3']),
    axis=1
)

容易被混淆的性能误区 #

很多人在测pandas的apply性能时，经常把代码本身的冗余错归因到lambda的特性上。实际上pandas的apply本质是逐行循环调用你传入的函数，不管你传的是def定义的函数还是lambda生成的匿名函数，单次调用的框架级开销是完全一样的。真正影响速度的永远是函数内部的计算逻辑：有没有重复计算、有没有不必要的列访问、有没有把本该批量向量化的操作拆成逐行执行——这些问题和你用什么形式定义函数没有任何关系。

内容的提问来源于stack exchange，提问作者pakpe