Python中map函数背后的技巧是什么？

我有一个数据帧和一个N个参数的函数。现在，对于每一行，我想使用N列中的值作为函数的输入，并将函数的输出保存在另一列中。我可以直接做到：

inds = []
d = {}
for ind, row in df.iterrows():
   inds.append(ind)
   d[ind] = my_func(row.col1, row.col2, row.col3)
df['out_col'] = pandas.Series(d, index = inds)

但是，使用以下方法要快得多：

df['out_col'] = map(my_func, df.col1, df.col2, df.col3)

---

为什么它比简单的解决方案快得多。映射函数使用了什么技巧使速度如此之快？

当使用df.itertuples而不是df.iterrows时，您可以比较速度吗？df['out\u col']=mapmy\u func，row.col1，row.col2，row.col3的右侧是一个依赖于行的值。但将其赋值给df['out_col']意味着整个列将得到相同的值。因此，它不会执行与d[ind]=my_funcrow.col1，row.col2，row.col3后跟df['out\u col']=pandas.seried，index=inds在循环外相同的操作。我不认为你是在比较苹果和苹果。@unutbu，我已经编辑了我的问题。一个数据框是。如果您对整列而不是逐行进行操作，计算速度通常会更快。不是map快，而是ItErrors慢。您可以使用itertuples，并将以几乎与map一样快的速度获得某些内容，但正如@unutbu所说的，您应该尝试看看是否可以在整个列上应用此函数。