Python 为什么Pandas中的groupby（）.agg（list_funcs）函数使用函数列表比单独使用它们花费的时间要多得多？

对于任何数据帧df和任何随机列集合['A'，'B'，'C'，'D'，]，请考虑以下代码：

df.groupby('A')['B', 'C', 'D'].agg(['mean', 'std', 'count'])

在这里，所有聚合函数作为一个列表一起传递

这需要的时间远远超过：

grpd = df.groupby('A')['B', 'C', 'D']
grpd.agg('mean')
grpd.agg('std')
grpd.agg('count')

其中每个聚合函数被单独调用

这似乎有悖常理，因为我希望熊猫在引擎盖下做些事情来加快速度

---

有人能解释一下原因吗？

我认为原因是，如果单独调用，那么对于相同输出的测试添加了

concat

：

np.random.seed(123)
N = 1000000
df = pd.DataFrame(np.random.randint(1000, size=(N, 4)), columns=list('ABCD'))
print (df)

In [176]: %%timeit
     ...: df.groupby('A')['B', 'C', 'D'].agg(['mean', 'std', 'count'])
     ...: 
274 ms ± 7.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [177]: %%timeit
     ...: grpd = df.groupby('A')['B', 'C', 'D']
     ...: a = grpd.agg('mean')
     ...: b = grpd.agg('std')
     ...: c = grpd.agg('count')
     ...: pd.concat([a,b,c], axis=1)
     ...: 
     ...: 
190 ms ± 980 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [178]: %%timeit
     ...: grpd = df.groupby('A')['B', 'C', 'D']
     ...: a = grpd.mean()
     ...: b = grpd.std()
     ...: c = grpd.count()
     ...: pd.concat([a,b,c], axis=1)
     ...: 
     ...: 
191 ms ± 4.33 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)