<p>numpy.vectorize的实现本质上是for循环？</p>

是。 在Python（with numpy）和MATLAB™等解释型数值数组编程语言的上下文中，我们经常使用“向量化”来指代将解释型编程语言中的显式循环替换为负责所有操作的函数（或运算符）。内部循环逻辑。 在numpy中， ufunc s实现了此逻辑。 这与“矢量化”的使用无关，后者是指使用SIMD CPU指令并发地计算多个输入，不同之处在于它们都使用类似的隐喻：它们就像它们的“标量”对应物一样，但是对多个输入值执行计算一次调用。

使用numpy.vectorize() ，与显式Python for循环相比，通常没有太多的速度优势。 它的主要目的是将Python函数变成ufunc ，它实现了所有广播语义，因此可以处理任何大小的输入。 被“向量化”的Python函数仍然需要花费大部分时间，并将每个元素的原始值转换为Python对象以传递给该函数。 您不会期望np.vectorize(lambda x, y: x + y)与ufunc np.add一样快，在循环和循环内容中均为C。

感谢您的详细解释。 但是要明确一点，让我举一个例子。

import pandas as pd
import numpy as np
df = pd.DataFrame({'a': range(100000), 'b': range(1, 1000001)})
# method1
df.loc[:, 'c'] = df.apply(lambda x: x['a'] + x['b'], axis=1)
# method2 
df.loc[:, 'c'] = np.vectorize(lambda x, y: x + y)(df['a'], df['b'])
# method3
df.loc[:, 'c'] = np.add(df['a'], df['b'])

所以我想你的解释

方法在C中循环| C中的循环内容使用SIMD
-| -| -| -
1 | ×| ×| ×
2 | √| ×| ×
3 | √| √| √

对？

np.add比np.vectorize(lambda x, y: x + y)更快，因为它避免了将C double转换为Python对象以及Python函数调用开销。 根据是否具有AVX2扩展，它可能还会使用SIMD指令，但这不是为什么它速度更快的原因。

np.add比np.vectorize(lambda x, y: x + y)更快，因为它避免了将C double转换为Python对象以及Python函数调用开销。 也可能会使用SIMD指令，具体取决于您是否具有AVX2扩展，但这不是为什么它更快的原因。

我知道了。 谢谢。

您可以使用numba的vectorize来生成可并行运行的ufunc，而无需使用Python开销：

https://numba.pydata.org/numba-doc/latest/user/vectorize.html