我做了一些测试，尝试不同的方法，看看哪种方法最快。

import numpy as np
import pandas as pd
import math
import timeit

df = pd.DataFrame({"nums": np.arange(-2967000000, 100, 10000, dtype=float)})

def method1(df=df, n=1/9):
    return df["nums"].apply(lambda x: np.sign(x)*np.abs(x)**n)

def method2(df=df, n=1/9):
    return df["nums"].apply(lambda x: np.sign(x)*np.power(np.abs(x), n))

def method3(df=df, n=1/9):
    return df["nums"].apply(lambda x: math.copysign(x, abs(x)**n))

def method4(df=df, n=1/9):
    x = df["nums"]
    return pd.Series(np.sign(x)*np.abs(x)**n)

def method5(df=df, n=1/9):
    x = df["nums"]
    return pd.Series(np.sign(x)*np.power(np.abs(x), n))

methods = [method1, method2, method3, method4, method5]

N = 7
for method in methods:
    print(method.__name__, timeit.timeit(method, number=N)/N)

字符串
输出量：

method1 0.6219473714285674
method2 0.8631320142857086
method3 0.13383357142856767
method4 0.011573042857110392
method5 0.011473671428575472

型
因此，直接在pandas Series上使用numpy函数（避免apply）是最快的。这是有意义的，因为numpy在处理数组时速度很快。下一个最快的是使用apply的数学库，这与我刚才所说的numpy在数组上的速度一致。最慢的方法是与apply一起使用的numpy方法，因为它本质上是在 Dataframe 中循环;你不应该在循环时使用numpy。