Python 根据多个日期条件选择和计算行的最快方法是什么？

我创建了一个函数，用于根据给定的列值（特定的供应商或商店）在计算的时间段内计算已售出商品的数量。 写下面函数的更有效方法是什么

在大型数据集上，多次调用函数非常耗时。我在下面附上预期结果

我在一个示例中使用此数据：

df=pd.DataFrame({
“CreatedDate”：[2019-03-0218:03:08.690000'，
'2019-02-01 21:22:43.109000',
'2019-03-09 21:21:44.337000',
'2019-04-04 21:45:59.988000',
'2019-03-15 18:53:17.683000',
'2019-03-03 00:24:28.003000',
'2019-04-14 22:01:20.759000',
'2019-02-26 19:28:01.800000',
'2019-03-21 21:23:09.629000',
'2019-02-03 00:55:51.756000'], 
'状态'：['辞职'，'出售'，'交付中'，
“出售”、“交付中”、“辞职”，
“卖出”、“卖出”、“卖出”、“卖出”]，
“供应商”：
[A'，B'，C'，A'，A'，A'，A'，A'，A'，A'，A'，B']，
“商店”：
[a'、'a'、'b'、'a'、'a'、'a'、'a'、'a'、'a'、'a'、'a']
#乐趣
def添加计数值（df、月开始、月停止、分组列、状态、新列）：
df['CreatedDate']=pd.to_datetime（df['CreatedDate']]
df['DateStartBack']=df['CreatedDate']-pd.DateOffset（月=月开始）
df['DateStopBack']=df['CreatedDate']-pd.DateOffset（月数=月数）
col=[]
对于df.index中的i：
检查\u start=df.iloc[i]['DateStartBack']
检查[u stop=df.iloc[i]['DateStopBack']
检查_group=df.iloc[i][grouping_column]#grouping column（车间或供应商）
计数=len（df.loc[（df['CreatedDate']>检查停止）&
（df['CreatedDate']<检查开始）&
（df.iloc[：][分组列]==检查组）&
（df['Status'].isin（Status））]
)
列追加（计数）
df=df.drop（列=['DateStartBack'，'DateStopBack']）
df2=pd.DataFrame（{new_col:col}）
返回df.join（df2）
添加盘点值（df、0、1、‘供应商’、[‘已售出’、‘交付中’]、‘供应商最后一次\u 30天\u售出’）

---

之所以花费如此长的时间，是因为熊猫是一个操作数据非常慢的模块。看看numpy，大约1000倍quicker@Jkind9但这是完全错误的。熊猫在下面使用numpy函数。让熊猫慢下来的是你没有正确使用它。例如，与“应用”或“循环”结合使用。@denis能否请您共享一个您使用的数据示例。不是我在做比较，时间索引显示numpy是quicker@Jkind9这篇博文已经过时（2014年）。您可以找到更多的比较，以及什么方法对于常见操作更快。之所以花费如此长的时间，是因为pandas是一个用于操作数据的非常慢的模块。看看numpy，大约1000倍quicker@Jkind9但这是完全错误的。熊猫在下面使用numpy函数。让熊猫慢下来的是你没有正确使用它。例如，与“应用”或“循环”结合使用。@denis能否请您共享一个您使用的数据示例。不是我在做比较，时间索引显示numpy是quicker@Jkind9这篇博文已经过时（2014年）。您可以找到更多比较，以及什么方法对于常见操作更快。