Python 熊猫：我应该使用Apply Lambda来实现简单的函数吗？

我知道有不止一种方法可以做到这一点并完成工作。在选择是否使用Apply Lambda时，除了性能之外，还有其他考虑因素吗？我有一个特别大的数据框，里面有一列电子邮件，我需要从所有邮件中删除“@domain”。这里有一个简单的例子：

DF['PRINCIPAL'] = DF['PRINCIPAL'].str.split("@", expand=True)[0]

然后应用Lambda：

DF['PRINCIPAL'] = DF.apply(lambda x: x['PRINCIPAL'].str.split("@", expand=True)[0]

---

我假设它们大致相当，但它们的执行方法意味着它们在某些情况下都更有效。有什么我应该知道的吗？

你可以使用

assign

，这是Marc Garcia在演讲中推荐的方法，因为你可以在同一数据帧上链接操作参见6:17到7:30之间的示例：

DF=DF.assign（PRINCIPAL=lambda x:x['PRINCIPAL'].str.split（“@”，expand=True）[0]）

您可以使用

assign

，这是Marc Garcia在演讲中推荐的方法，因为您可以在同一数据帧上链接操作参见6:17到7:30之间的示例：

DF=DF.assign（PRINCIPAL=lambda x:x['PRINCIPAL'].str.split（“@”，expand=True）[0]）

使用：

输出

True

时间：

%timeit s1 = df['email'].str.split('@').str[0]

每个回路1.77 ms±75.8µs（7次运行的平均值±标准偏差，每个1000个回路）

每个回路737µs±67.4µs（7次运行的平均值±标准偏差，1000个回路 （各）

使用：

输出

True

时间：

%timeit s1 = df['email'].str.split('@').str[0]

每个回路1.77 ms±75.8µs（7次运行的平均值±标准偏差，每个1000个回路）

每个回路737µs±67.4µs（7次运行的平均值±标准偏差，1000个回路 （各）

---

避免两者。。。。简单的列表理解很可能比使用.str accessor要好。AFAIK lambda比

for

循环好，但比向量化操作差。尽可能避免，只有在没有其他选择时才使用。话虽如此，我不确定

lambda

如何公平对待

.str

方法

DF['PRINCIPAL']=[x.strip（'@'）[0]对于DF['PRINCIPAL']]

中的x，你可以看到对于一个测试，列表理解比

.str

访问器更快。str访问在源代码内部非常循环，再加上pandas的开销。在大多数情况下，列表理解优于使用.str访问器。请避免两者。。。。简单的列表理解很可能比使用.str accessor要好。AFAIK lambda比

for

循环好，但比向量化操作差。尽可能避免，只有在没有其他选择时才使用。话虽如此，我不确定

lambda

如何公平对待

.str

方法

DF['PRINCIPAL']=[x.strip（'@'）[0]对于DF['PRINCIPAL']]

中的x，你可以看到对于一个测试，列表理解比

.str

访问器更快。str访问在源代码内部非常循环，再加上pandas的开销。在大多数情况下，列表理解优于使用.str访问器。谢谢@ScottBoston和@QuangHoang！伟大的信息和帮助！谢谢你@ScottBoston和@QuangHoang！伟大的信息和帮助！