值得一开始，因为任何调查，与流行的观点之前看实际表现，list(map(str, x))似乎是 慢 比x.apply(str)。
import pandas as pd, numpy as np
### Versions: Pandas 0.20.3, Numpy 1.13.1, Python 3.6.2 ###
x = pd.Series(np.random.randint(0, 100, 100000))
%timeit x.apply(str) # 42ms (1)
%timeit x.map(str) # 42ms (2)
%timeit x.astype(str) # 559ms (3)
%timeit [str(i) for i in x] # 566ms (4)
%timeit list(map(str, x)) # 536ms (5)
%timeit x.values.astype(str) # 25ms (6)
值得注意的一点：
这 似乎是 因为它使用了快速编译的Cython代码：
cpdef ndarray[object] astype_str(ndarray arr):
cdef:
Py_ssize_t i, n = arr.size
ndarray[object] result = np.empty(n, dtype=object)
for i in range(n):
# we can use the unsafe version because we kNow `result` is mutable
# since it was created from `np.empty`
util.set_value_at_unsafe(result, i, str(arr[i]))
return result
熊猫适用str于该系列中的每个项目，而不使用上述Cython。
因此，性能可与[str(i) for i in x]/相媲美list(map(str, x))。
Numpy不会在数组的每个元素上应用函数。我发现了对此的一种描述：
如果您做s.values.astype(str)了，您将得到一个持有的对象int。这是numpy在进行转换，而熊猫会遍历每个项目并调用str(item)它。因此，如果您s.astype(str)拥有对象持有权str。
有一个技术原因，在没有空值的情况下，尚未实现numpy版本。
602392714
清零编程群