Python pandas中的聚合函数是如何工作的？

我试图了解熊猫中的

groupby

和聚合函数在引擎盖下发生了什么。例如，以下是4种按组求和的不同方法的计时结果：

df = pd.DataFrame({'a': np.random.randint(0,3,10),
                   'b': np.random.rand(10)})

%timeit df.groupby('a')['b'].sum()
1000 loops, best of 3: 287 µs per loop

%timeit df.groupby('a')['b'].agg(sum)
1000 loops, best of 3: 296 µs per loop

%timeit df.groupby('a')['b'].apply(sum)
1000 loops, best of 3: 700 µs per loop

%timeit df.groupby('a')['b'].apply(lambda x: x.sum())
1000 loops, best of 3: 743 µs per loop

单从时间上看，它看起来像是

.sum（）

和

.agg（sum）

非常相似，但是

.apply（sum）

和

.apply（lambda x:x.sum（））

花费的时间是前者的两倍多

这些人在后台做着截然不同的事情吗？

我的两分钱：

agg（F）

只需调用

aggregate（F）

。首先，如果

F

是

cython

函数（或存在等效的

cython

函数），则将确定

aggregate（）

。如果是这样，

aggregate（F）

将成为对

groupby

对象的

.F

方法的调用，该方法是一种优化的

cython

方法。只有一些函数将以这种方式处理，完整列表由源代码末尾的

\u cython\u table

字典定义

sum

就是其中之一

显然，使用

cython

函数意味着运行速度更快。然而，使用

.agg（F）

，它将需要运行更多的代码行，因此将略慢于

.F（）

，甚至

F

在

\u cython\u表中，并且存在
.F
方法

apply（F）
调用
\u python\u apply\u general
。顾名思义，它是一种通用的建议方法。在引擎盖下，它不会尝试检查是否存在更快的聚合函数版本。它将
F
应用于每个组，并将结果组合在一起，这意味着它将比优化后的
cython
版本（例如
.sum
）运行得慢

最后，
apply（lambda x:F（x））
将比
apply（F）
稍微慢一些，这是由于附加的
lambda
功能。
我想所有的都隐藏了。4210行，谢谢。我希望对这一点有很好理解的人能够总结一下。我的python还不能完全理解源代码所做的事情，但这无疑是一个很好的学习机会。