numpy矩阵代替apply优化内存

NumPy是一个强大的Python库，用于处理大型数组和矩阵计算。当你需要对整个数组进行操作，而不是逐个元素处理时，直接使用NumPy可以显著提高效率并节省内存。

`apply()`函数通常在Pandas库中用于应用自定义函数到DataFrame或Series上，但它会创建新的数据结构来存储结果，这可能会消耗较多内存，特别是当数据量大时。相比之下，NumPy提供了一些内置的方法，如`numpy.apply_along_axis()`或更简洁的`numpy.vectorize()`，它们允许你在原地修改数组，不需要创建额外的数据结构。

例如，如果你有一个大型NumPy数组，并想对每一列进行某种数学运算，你可以这样做：

import numpy as np

# 假设 data 是一个大型NumPy数组
data = np.random.rand(1000000, 4)

# 使用 apply_along_axis 或 vectorize
result = np.apply_along_axis(some_function, axis=0, arr=data)
# 或者
vectorized_result = np.vectorize(some_function)(data)

这样，`result`或`vectorized_result`都会保存在原始数组`data`的位置，避免了大量临时数据的生成，从而优化了内存使用。