使用pandas时不应忘记的一点是Pandas的Series和DataFrames是在NumPy库之上设计的。并且，pandas可以与NumPy阵列和操作无缝衔接。

下面我们使用NumPy的 digitize()函数更进一步。它类似于上面pandas的cut()，因为数据将被分箱，但这次它将由一个索引数组表示，这些索引表示每小时所属的bin。然后将这些索引应用于价格数组：

1. @timeit(repeat=3, number=100)  
2. def apply_tariff_digitize(df):  
3.     prices = np.array([12, 20, 28])  
4.     bins = np.digitize(df.index.hour.values, bins=[7, 17, 24])  
5.     df['cost_cents'] = prices[bins] * df['energy_kwh'].values 

与cut函数一样，这种语法非常简洁易读。

1. >>> apply_tariff_digitize(df)  
2. Best of 3 trials with 100 function calls per trial:  
3. Function `apply_tariff_digitize` ran in average of 0.002 seconds. 

0.002秒！ 虽然仍有性能提升，但已经很边缘化了。