Pandas 如何优化这些功能？

即使是简单的更改，这3个代码也需要很多时间。
我想，访问每行3次会导致效率低下。 所以，如果我可以对行进行1次访问并应用函数更改3数据，那么速度可以比现在快2~3倍

像

train["gender"] = train.apply(lambda x: 1 if x["gender"] == "F" else 0, axis=1) 
train["car"] = train.apply(lambda x: 1 if x["car"] == "Y" else 0, axis=1) 
train["reality"] = train.apply(lambda x: 1 if x["reality"] == "Y" else 0, axis=1) 

如何优化这些代码

=========================== tdy测试结果

您可以尝试3倍，即：

train['gender']=np.where（train.gender==F'，1,0）
train['car']=np.where（train.car='Y'，1,0）
train['reality']=np.where（train.reality=='Y'，1,0）

或者是稍微慢一点的2倍：

train['gender']=np.where（train.gender==F'，1,0）
列车[['car'，'reality']]=np.where（列车[['car'，'reality']]]='Y'，1，0）

1000万行的计时：

方法

%timeit

3x

np.where（）

每个回路152 ms±8.86 ms（7次运行的平均值±标准偏差，每个回路1次） 2x

np.where（）

每个回路198 ms±39.3 ms（7次运行的平均值±标准偏差，每个回路1次） 3x

apply（）

每个回路8.91 s±495 ms（7次运行的平均值±标准偏差，每个回路1次）

---

哦，我试试这个。但我认为这个解决方案也有同样的问题。访问每一行3times@LaserCho我编辑了答案，将

car

和

reality

结合起来。我不知道有什么方法可以同时包含所有3个，因为

gender

有不同的条件。非常有趣。你最初的答案“np.where 3次”是最快的。第二个是当前的答案。我原来的3次申请是最慢的。最快的方式比秒快近16倍。第二个当前答案比我的代码快35倍。@LaserCho我添加了另一个选项，可以一次完成所有任务，但我不确定它是否真的快。请注意，其中有些错误我还没有弄清楚。

# it is my imaginary code. not works
train[["gender","car", "reality"]] =  train.apply(lambda x: 1 if x["gender"] == "F" else 0, axis=1,
                                                  lambda y: 1 if y["car"] == "Y" else 0, axis=1,
                                                  lambda z: 1 if z["reality"] == "Y" else 0, axis=1)