Python 是否有一个与熊猫相当的numpy.apply？

我有一个调用，它将一些随机值添加到一个系列中：

series = series.apply(lambda x: int(math.ceil(x + x * rand_value(range))))

出于性能原因，我不能再使用pandas.Series，而必须使用numpy数组

假设我的1D数组数据存储在

a

中，我将如何将调用从上面转换为numpy？我读过关于

np.vectorize

的文章，但我不明白如何将其与lambda和自制函数一起调用。
我的想法是：

乍一看，似乎两个调用都会产生相同的输出，但我不确定这一点。您能确认一下吗？
还有比使用

np.vectorize（）更好的方法吗

编辑：rand_值（范围）的定义如下：

def rand_value(range):

    # create value between [-1; 1)
    rand = np.random.rand()*2.0 - 1.0; 

    rand = (rand * float(range)) / 100.0

    return rand

所以我不能使用
np.ceil
，因为这样我的函数只会被调用一次（？），并且总是具有相同的rand值，我需要的是，对于数组中的每个值，函数都会被调用。
通过将一个形状传递给
np.random.rand（）
可以获得多个随机值。一旦你的随机值和你的输入数组一样多，你就可以使用普通的numpy函数了

import numpy as np

def rand_value(range, shape=None):
    if shape is None:
        shape = tuple()

    rand = np.random.rand(*shape) * 2.0 - 1.0
    rand = rand * range / 100.0
    return rand

data = np.arange(16)
# array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
rand_value(100.0, shape=data.shape)
# array([-0.0083601 ,  0.90346962, -0.70813122, -0.73467017,  0.87514163,
#        -0.29496392,  0.63828971, -0.10086984, -0.60248423,  0.26550601,
#        -0.17577315, -0.95178997,  0.64123385, -0.54732105,  0.28590572,
#         0.19727859])
np.ceil(data + data * rand_value(100.0, shape=data.shape)).astype(int)
# array([ 0,  1,  4,  6,  8,  4,  9,  3,  4, 17, 10, 18, 16, 12, 16, 30])

numpy.沿轴应用（
rand\u value
和
range
是如何定义的？在NumPy中如何执行此操作取决于此。您是否尝试过简单地执行
a=NumPy.ceil（a+a*rand\u value（range））
？
import numpy as np

def rand_value(range, shape=None):
    if shape is None:
        shape = tuple()

    rand = np.random.rand(*shape) * 2.0 - 1.0
    rand = rand * range / 100.0
    return rand

data = np.arange(16)
# array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
rand_value(100.0, shape=data.shape)
# array([-0.0083601 ,  0.90346962, -0.70813122, -0.73467017,  0.87514163,
#        -0.29496392,  0.63828971, -0.10086984, -0.60248423,  0.26550601,
#        -0.17577315, -0.95178997,  0.64123385, -0.54732105,  0.28590572,
#         0.19727859])
np.ceil(data + data * rand_value(100.0, shape=data.shape)).astype(int)
# array([ 0,  1,  4,  6,  8,  4,  9,  3,  4, 17, 10, 18, 16, 12, 16, 30])