在Python中加速点是否在形状中的顺序检查

我有一个顺序代码，用于判断在我的

数据框中找到的每一对笛卡尔坐标是否落入某些几何封闭区域。但我怀疑它相当慢，因为它没有矢量化。以下是一个例子：

from matplotlib.patches import Rectangle

r1 = Rectangle((0,0), 10, 10)
r2 = Rectangle((50,50), 10, 10)

df = pd.DataFrame([[1,2],[-1,5], [51,52]], columns=['x', 'y'])

for j in range(df.shape[0]):
    coordinates = df.x.iloc[j], df.y.iloc[j]
    if r1.contains_point(coordinates):
        df['location'].iloc[j] = 0
    else r2.contains_point(coordinates):
        df['location'].iloc[j] = 1

有人能提出一种加速方法吗？
最好将矩形面片转换成一个阵列，并在推断出它们的分布范围后再进行处理

def seqcheck_vect(df):
    xy = df[["x", "y"]].values
    e1 = np.asarray(rec1.get_extents())
    e2 = np.asarray(rec2.get_extents())
    r1m1, r1m2 = np.min(e1), np.max(e1)
    r2m1, r2m2 = np.min(e2), np.max(e2)
    out = np.where(((xy >= r1m1) & (xy <= r1m2)).all(axis=1), 0, 
                   np.where(((xy >= r2m1) & (xy <= r2m2)).all(axis=1), 1, np.nan))
    return df.assign(location=out)

在10K行的
DF上测试：

因此，矢量化方法比循环方法快大约2200倍。
谢谢。我想知道，有没有一种更通用的方法不依赖于它是矩形，而是矢量化的？如果我没有弄错的话，您的方法确实依赖于它。基本上，任何具有与
DF
中存在的值进行比较的范围的结构都将遵循如上所示的类似实现。应该有一种方法可以从中提取起始点和结束点，并将结果存储在数组中。此外，所有修补程序都有一个
.get_extents（）
方法，因此我想这不会造成任何问题。
def loopy_version(df):
    for j in range(df.shape[0]):
        coordinates = df.x.iloc[j], df.y.iloc[j]
        if rec1.contains_point(coordinates):
            df.loc[j, "location"] = 0
        elif rec2.contains_point(coordinates):
            df.loc[j, "location"] = 1
        else:
            pass
    return df

np.random.seed(42)
df  = pd.DataFrame(np.random.randint(0, 100, (10000,2)), columns=list("xy"))

# check if both give same outcome
loopy_version(df).equals(seqcheck_vect(df))
True

%timeit loopy_version(df)
1 loop, best of 3: 3.8 s per loop

%timeit seqcheck_vect(df)
1000 loops, best of 3: 1.73 ms per loop