Python 使用日期时间索引会减缓groupby在熊猫中的应用？

我有一个Pandas数据框，其结构如下，大约有1亿行：

Date     Value  ID
'1/1/17' 500    1
'1/2/17' 550    1
'1/4/17' 600    2

如果我这样做：

def get_coeff_var(group):
    group['coeff_var'] = group['Value'].std()/group['Value'].mean()
    return group

df = df.groupby(['ID']).apply(lambda x: get_coeff_var(x))

它完成得非常快

但是，如果我首先将索引设置为日期并获取最后一个月的数据，那么同样的应用函数需要花费大量的时间，即我甚至不能等待它完成时间：

df = df.set_index('Date')
df = df.last('1M')
df = df.groupby(['ID']).apply(lambda x: get_coeff_var(x))

---

发生了什么事？

几乎总是，在groupby应用程序中进行变异是一个坏主意-一般来说，这需要一个缓慢的过程，尽管我不确定确切的问题是什么

在您的例子中，执行此转换的惯用且快得多的方法如下所示，并且无论您的索引如何，都应该是快速的

gb = df.groupby('ID')['Value']
df['coeff_var'] = gb.transform('std') / gb.transform('mean')