Python 为什么比香草df.apply更快更慢？

我有一个100万行的数据帧。我有一个单独的函数（我不能矢量化）应用于每一行。我研究了swifter，它承诺利用多个进程来加速计算。但在8核机器上，情况并非如此

知道为什么吗

def parse_row(n_print=None):
    def f(row):
        if n_print is not None and row.name % n_print == 0:
            print(row.name, end="\r")
        return Feature(
            geometry=Point((float(row["longitude"]), float(row["latitude"]))),
            properties={
                "water_level": float(row["water_level"]),
                "return_period": float(row["return_period"])
            }
        )
    return f

In [12]: df["feature"] = df.swifter.apply(parse_row(), axis=1)
Dask Apply: 100%|████████████████████████████████████████| 48/48 [01:19<00:00,  1.65s/it]

In [13]: t = time(); df["feature"] = df.apply(parse_row(), axis=1); print(int(time() - t))
46

def parse_行（n_print=None）：
def f（世界其他地区）：
如果n_print不是None且row.name%n_print==0：
打印（row.name，end=“\r”）
返回特性(
几何图形=点（（浮动（行[“经度]）、浮动（行[“纬度]）），
性质={
“水位”：浮子（第[“水位”行]），
“返回周期”：浮动（第[“返回周期”]行）
}
)
返回f
[12]中：df[“feature”]=df.swifter.apply（parse_row（），axis=1）
Dask应用：100%|████████████████████████████████████████| 48/48[01:19这主要取决于所涉及的处理能力，以及矢量化/并行处理/优化是否可以改善问题。有时这根本不是一个解决方案。
还要记住，swifter需要时间来计算其预计的工作时间跨度，有时df.apply会更快，因为它不必计算，优化也可能没有帮助。
看起来速度取决于行的大小。此df.swifter.apply（λx:1，如果x>5，则为0）当尺寸（df）时，比简单应用慢