如果你不基于一些条件，而是可以在一行代码中将所有电力消耗数据应用于该价格：df ['energy_kwh'] * 28，类似这种。那么这个特定的操作就是矢量化操作的一个例子，它是在pandas中执行的最快方法。

但是如何将条件计算应用为pandas中的矢量化运算？

一个技巧是：根据你的条件，选择和分组DataFrame，然后对每个选定的组应用矢量化操作。

在下面代码中，我们将看到如何使用pandas的.isin()方法选择行，然后在矢量化操作中实现新特征的添加。在执行此操作之前，如果将date_time列设置为DataFrame的索引，会更方便：

1. # 将date_time列设置为DataFrame的索引  
2. df.set_index('date_time', inplace=True)  
3. @timeit(repeat=3, number=100)  
4. def apply_tariff_isin(df):  
5.     # 定义小时范围Boolean数组  
6.     peak_hours = df.index.hour.isin(range(17, 24))  
7.     shoulder_hours = df.index.hour.isin(range(7, 17))  
8.     off_peak_hours = df.index.hour.isin(range(0, 7)) 
9.     # 使用上面apply_traffic函数中的定义  
10.     df.loc[peak_hours, 'cost_cents'] = df.loc[peak_hours, 'energy_kwh'] * 28  
11.     df.loc[shoulder_hours,'cost_cents'] = df.loc[shoulder_hours, 'energy_kwh'] * 20  
12.     df.loc[off_peak_hours,'cost_cents'] = df.loc[off_peak_hours, 'energy_kwh'] * 12 

我们来看一下结果如何。

1. >>> apply_tariff_isin(df)  
2. Best of 3 trials with 100 function calls per trial:  
3. Function `apply_tariff_isin` ran in average of 0.010 seconds. 

提示，上面.isin()方法返回的是一个布尔值数组，如下：

1. [False, False, False, …, True, True, True] 

布尔值标识了DataFrame索引datetimes是否落在了指定的小时范围内。然后把这些布尔数组传递给DataFrame的.loc，将获得一个与这些小时匹配的DataFrame切片。然后再将切片乘以适当的费率，这就是一种快速的矢量化操作了。

上面的方法完全取代了我们最开始自定义的函数apply_tariff()，代码大大减少，同时速度起飞。

运行时间比Pythonic的for循环快315倍，比iterrows快71倍，比apply快27倍！