我使用的是pandas 0.23.3和Python 3.6，因此仅在您的第二个示例中，我才能看到运行时间的真正差异。
但是，让我们研究一下第二个示例的稍有不同的版本（这样我们就可以避免
2*df[0]了）。这是我们计算机上的基准：
twice = df[0]*2mask = df[0] > 0.5%timeit np.where(mask, twice, df[0]) # 61.4 ms ± 1.51 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)%timeit df[0].mask(mask, twice)# 143 ms ± 5.27 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
Numpy的版本比熊猫快2.3倍。
因此，让我们对这两个函数进行概要分析，以了解两者之间的区别-
当人们不太熟悉代码基础时，概要分析是一种了解全局的好方法：它比调试更快，并且比试图弄清楚发生什么情况更容易出错只需阅读代码即可。
我在Linux上使用
perf。对于numpy的版本，我们得到（有关列表，请参阅附录A）：
>>> perf record python np_where.py>>> perf reportOverhead Command Shared Object Symbol 68,50% python multiarray.cpython-36m-x86_64-linux-gnu.so [.] PyArray_Where 8,96% python [unknown] [k] 0xffffffff8140290c 1,57% python mtrand.cpython-36m-x86_64-linux-gnu.so [.] rk_random
我们可以看到，大部分时间都花在了
PyArray_Where-大约69％上。未知符号是一个内核函数（事实上
clear_page）-我在没有root特权的情况下运行，因此该符号无法解析。
对于大熊猫，我们得到了（代码参见附录B）：
>>> perf record python pd_mask.py>>> perf reportOverhead Command Shared Object Symbol 37,12% python interpreter.cpython-36m-x86_64-linux-gnu.so [.] vm_engine_iter_task 23,36% python libc-2.23.so[.] __memmove_ssse3_back 19,78% python [unknown] [k] 0xffffffff8140290c 3,32% python umath.cpython-36m-x86_64-linux-gnu.so [.] DOUBLE_isnan 1,48% python umath.cpython-36m-x86_64-linux-gnu.so [.] BOOL_logical_not
情况截然不同：
- 熊猫并没有
PyArray_Where
在后台使用-最主要的时间消耗vm_engine_iter_task
是numexpr-functionity。 - 正在进行大量的内存复制-
__memmove_ssse3_back
大约25
花费％的时间！内核的某些功能可能也与内存访问相关。
实际上，pandas-0.19
PyArray_Where在引擎盖下使用，对于较旧的版本，perf-report报告看起来像：
Overhead Command Shared Object Symbol 32,42% python multiarray.so [.] PyArray_Where 30,25% python libc-2.23.so[.] __memmove_ssse3_back 21,31% python [kernel.kallsyms] [k] clear_page 1,72% python [kernel.kallsyms] [k] __schedule
因此，从根本上讲，它那时将
np.where在幕后使用+一些开销（全部在数据复制之上，请参阅参考资料
__memmove_ssse3_back）。
我看不到在熊猫的0.19版本中大熊猫会比numpy更快的情况-它只是增加了numpy功能的开销。熊猫的0.23.3版本是一个完全不同的故事-
这里使用numexpr-module，很可能在某些情况下熊猫的版本（至少稍微快一些）。
我不确定是否真的需要/必须进行这种内存复制-也许有人甚至可以称它为性能缺陷，但我只是不知道可以肯定什么。
我们可以通过剥离一些间接指示（通过
np.array而不是
pd.Series）来帮助熊猫不要复制。例如：
%timeit df[0].mask(mask.values > 0.5, twice.values)# 75.7 ms ± 1.5 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
现在，熊猫只慢25％。性能说明：
Overhead Command Shared Object Symbol 50,81% python interpreter.cpython-36m-x86_64-linux-gnu.so [.] vm_engine_iter_task 14,12% python [unknown] [k] 0xffffffff8140290c 9,93% python libc-2.23.so[.] __memmove_ssse3_back 4,61% python umath.cpython-36m-x86_64-linux-gnu.so [.] DOUBLE_isnan 2,01% python umath.cpython-36m-x86_64-linux-gnu.so [.] BOOL_logical_not
数据复制要少得多，但是比numpy的版本要多，后者主要负责开销。
我的主要收获是：
熊猫有可能至少比numpy快一点（因为有可能更快）。但是，大熊猫对数据复制的处理有些不透明，因此很难预测何时（由于不必要的数据复制）会掩盖这种潜力。
当
where
/的性能mask
成为瓶颈时，我将使用numba / cython来提高性能-请参阅下文，我比较幼稚的尝试使用numba和cython。
这个想法是要
np.where(df[0] > 0.5, df[0]*2, df[0])
版本，并消除了创建临时文件（即）的需要
df[0]*2。
正如@ max9111所建议的那样，使用numba：
import numba as nb@nb.njitdef nb_where(df): n = len(df) output = np.empty(n, dtype=np.float64) for i in range(n): if df[i]>0.5: output[i] = 2.0*df[i] else: output[i] = df[i] return outputassert(np.where(df[0] > 0.5, twice, df[0])==nb_where(df[0].values)).all()%timeit np.where(df[0] > 0.5, df[0]*2, df[0])# 85.1 ms ± 1.61 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)%timeit nb_where(df[0].values)# 17.4 ms ± 673 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
这比numpy的版本快5倍！
这是我到目前为止在Cython的帮助下提高性能的尝试，但效果较差：
%%cython -acimport numpy as npimport numpy as npcimport cython@cython.boundscheck(False)@cython.wraparound(False)def cy_where(double[::1] df): cdef int i cdef int n = len(df) cdef np.ndarray[np.float64_t] output = np.empty(n, dtype=np.float64) for i in range(n): if df[i]>0.5: output[i] = 2.0*df[i] else: output[i] = df[i] return outputassert (df[0].mask(df[0] > 0.5, 2*df[0]).values == cy_where(df[0].values)).all()%timeit cy_where(df[0].values)# 66.7± 753 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
使速度提高25％。不确定，为什么cython比numba慢得多。
清单：
答： np_where.py：
import pandas as pdimport numpy as npnp.random.seed(0)n = 10000000df = pd.Dataframe(np.random.random(n))twice = df[0]*2for _ in range(50): np.where(df[0] > 0.5, twice, df[0])
B： pd_mask.py：
import pandas as pdimport numpy as npnp.random.seed(0)n = 10000000df = pd.Dataframe(np.random.random(n))twice = df[0]*2mask = df[0] > 0.5for _ in range(50): df[0].mask(mask, twice)
