几种工具的处理效率比较：

每次循环都使用复杂的操作尽可能拆分成向量化操作，也可转为numpy，再用numba加速。

对 DataFrame 中的数据做循环处理的效率：

方法一：下标循环
for i in range(len(df)):
    if df.iloc[i]['test'] != 1:
        df1.iloc[i]['test'] = 0

通过循环一个下标数列，通过iloc获取数据，是最慢的方法。

方法二：iterrows 循环
for ind, row in df.iterrows():
    if row['test'] != 1:
        df1.iloc[i]['test'] = 0
    i += 1

通过iterrows循环，ind和row代表了每一行的index和内容，比下标循环速度提升了300倍。

方法三：Apply

df1['test'] = df['test'].apply(lambda x: x if x == 1 else 0)

Apply内接匿名函数，对Dataframe每一行循环处理，比下标循环速度提升了800倍。

方法四：Pandas内置向量化函数

res = df.sum()

Pandas有大量内置向量化函数，比如sum，mean可快速计算。比下标循环快了9280倍。

方法五：Numpy

df_values = df.values
res = np.sum(df_values)

将Pandas数据转为Numpy，用Numpy内置函数做向量化操作，比下标循环快了71800倍。

参考：

dataframe 循环_【Python效率】五种Pandas循环方法效率对比_weixin_39744230的博客-CSDN博客