因为题材的关系，我想我们是只见树木不见森林。如果我们查看transform的文档，您将看到：

• xx（scalar or array（numpy or python））-输入x坐标。
• yy（scalar or array（numpy or python））-输入y坐标。

很好，numpy数组正是我们所需要的。pd.DataFrame可以被认为是数组的字典，所以我们只需要隔离这些列并将它们传递给函数。这里有一个小问题-DataFrame的列将是Series，transform将拒绝它，所以我们只需要使用values属性。这个小例子直接等同于你最初的方法：

def vectorized_convert(df):
    vlon36, vlat36 = vgrid(df['easting'].values, 
                           df['northing'].values, 
                           inverse=True)
    converted = transform(v36, v84, vlon36, vlat36)
    df['longitude'] = converted[0]
    df['latitude'] = converted[1]
    return df

df = pd.DataFrame({'northing': [378778, 384732],
                   'easting': [366746, 364758]})

print(vectorized_convert(df))

我们就结束了除此之外，我们可以看看100行的计时（当前的方法在我通常的100，000行计时示例中爆炸）：

def current_way(df):
    df = df.apply(convertLL, axis=1)
    return df

def vectorized_convert(df):
    vlon36, vlat36 = vgrid(df['easting'].values, 
                           df['northing'].values, 
                           inverse=True)

    converted = transform(v36, v84, vlon36, vlat36)
    df['longitude'] = converted[0]
    df['latitude'] = converted[1]
    return df

df = pd.DataFrame({'northing': [378778, 384732] * 50,
                   'easting': [366746, 364758] * 50})

提供：

%timeit current_way(df)
289 ms ± 15.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit vectorized_convert(df)
2.95 ms ± 59.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)