Можешь объяснить назначение и функциональность функции `apply()` в pandas, и чем она отличается от векторизованных операций с точки зрения гибкости и производительности?

Обзор

Функция apply() в pandas позволяет запустить пользовательскую функцию на строках или столбцах DataFrame, либо на каждом элементе Series. Её поведение контролируется параметром axis:

• axis=0 — применяет функцию по столбцам
• axis=1 — применяет функцию по строкам

Базовый пример

Гибкость vs. векторизованные операции

apply() особенно полезна, когда встроенных функций pandas или NumPy недостаточно для твоей логики. Она принимает любой callable — включая сложные, многошаговые пользовательские функции — что делает её очень гибкой.

Векторизованные операции, с другой стороны, это встроенные методы вроде .sum(), .mean() или функции NumPy типа np.sqrt(). Ключевые различия:

• Векторизованные операции работают на скомпилированном C/Fortran коде под капотом, что делает их значительно быстрее
• apply() выполняется на чистом Python, проходя по строкам или столбцам один за другим, что вносит дополнительные накладные расходы
• На больших датасетах apply() может быть в разы медленнее, чем эквивалентные векторизованные решения

Когда что использовать

• Используй векторизованные операции везде, где это возможно — ради производительности
• Используй apply(), когда логика слишком сложная, чтобы выразить её встроенными функциями
• Воспринимай apply() как запасной вариант для читаемости кода, когда производительность не критична

Главный вывод

apply() даёт максимальную гибкость в обмен на производительность. Всегда отдавай предпочтение векторизованным операциям при работе с большими объёмами данных и прибегай к apply() только тогда, когда встроенной альтернативы нет.