for是所有编程语言的基础语法，初学者为了快速实现功能，依懒性较强。但如果从运算时间性能上考虑可能不是特别好的选择。

本次东哥介绍几个常见的提速方法，一个比一个快，了解pandas本质，才能知道如何提速。

下面是一个例子，数据获取方式见文末。

1. >>> import pandas as pd  
2. # 导入数据集  
3. >>> df = pd.read_csv('demand_profile.csv')  
4. >>> df.head()  
5.      date_time  energy_kwh  
6. 0  1/1/13 0:00       0.586  
7. 1  1/1/13 1:00       0.580  
8. 2  1/1/13 2:00       0.572  
9. 3  1/1/13 3:00       0.596  
10. 4  1/1/13 4:00       0.592 

基于上面的数据，我们现在要增加一个新的特征，但这个新的特征是基于一些时间条件生成的，根据时长（小时）而变化，如下：

因此，如果你不知道如何提速，那正常第一想法可能就是用apply方法写一个函数，函数里面写好时间条件的逻辑代码。

1. def apply_tariff(kwh, hour):  
2.     """计算每个小时的电费"""      
3.     if 0 <= hour < 7:  
4.         rate = 12  
5.     elif 7 <= hour < 17:  
6.         rate = 20  
7.     elif 17 <= hour < 24:  
8.         rate = 28  
9.     else:  
10.         raise ValueError(f'Invalid hour: {hour}')  
11.     return rate * kwh 

然后使用for循环来遍历df，根据apply函数逻辑添加新的特征，如下：

1. >>> # 不赞同这种操作  
2. >>> @timeit(repeat=3, number=100)  
3. … def apply_tariff_loop(df): 
4. …     """用for循环计算enery cost，并添加到列表"""  
5. …     energy_cost_list = []  
6. …     for i in range(len(df)):  
7. …         # 获取用电量和时间（小时）  
8. …         energy_used = df.iloc[i]['energy_kwh']  
9. …         hour = df.iloc[i]['date_time'].hour  
10. …         energy_cost = apply_tariff(energy_used, hour)  
11. …         energy_cost_list.append(energy_cost)  
12. …     df['cost_cents'] = energy_cost_list  
13. …   
14. >>> apply_tariff_loop(df)  
15. Best of 3 trials with 100 function calls per trial:  
16. Function `apply_tariff_loop` ran in average of 3.152 seconds. 

对于那些写Pythonic风格的人来说，这个设计看起来很自然。然而，这个循环将会严重影响效率。原因有几个：

首先，它需要初始化一个将记录输出的列表。

其次，它使用不透明对象范围(0，len(df))循环，然后再应用apply_tariff()之后，它必须将结果附加到用于创建新DataFrame列的列表中。另外，还使用df.iloc [i]['date_time']执行所谓的链式索引，这通常会导致意外的结果。

这种方法的最大问题是计算的时间成本。对于8760行数据，此循环花费了3秒钟。

接下来，一起看下优化的提速方案。