Быстрое преобразование востока и севера в широту и долготу для большого DataFrame местоположений

Из-за сюжета, я думаю, мы не могли видеть лес за деревьями. Если мы посмотрим на документы для _1 _ вы увидите:

• xx (скаляр или массив (numpy или python)) - введите координаты x.
• yy (скаляр или массив (numpy или python)) - введите координаты y.

Здорово; массив numpy - это именно то, что нам нужно. pd.DataFrame можно рассматривать как словарь массивов, поэтому нам просто нужно изолировать эти столбцы и передать их функции. Есть небольшая загвоздка - столбцы DataFrame будут Series, которые transform отклонят, поэтому нам просто нужно использовать атрибут values. Этот мини-пример прямо эквивалентен вашему первоначальному подходу:

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))

И мы закончили. Помимо этого, мы можем взглянуть на тайминги для 100 строк (текущий подход взрывается для моих обычных 100000 строк для примеров времени):

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})

Дает:

%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)