针对集合每个成员计算，遍历后得出一个新结果的函数，我们通称为循环函数。Python原生的 list 循环函数太少了，稍微复杂一些的循环就得用 for 来写了，所以这里就不介绍了，我们主要对比 Pandas 和 SPL 中的循环函数。

基本聚合运算

求和、平均等都是常见的聚合运算。

以求和函数为例介绍：

计算前一百个正整数之和。

Python代码：

import pandas as pd
l=[i for i in range(1,101)]
s=pd.Series(l)
sm=s.sum()
print(sm)

导入 pandas 库
生成列表 list
转换为 Series
求和

SPL代码：

Pandas和 SPL 都提供了这类聚合运算，都可以轻松的算出结果， Pandas 中的聚合运算函数还更加丰富，比如有比较完善的统计学函数，而 SPL 的统计学函数暂时还不完善。

聚合前处理

在聚合之前，有时需要对集合中的每个元素处理后再运算。

如：计算前 100 个奇数之和。

Python代码：

#s是 [1,2,…,100] 的 Series
odd_sum=s.apply(lambda x:x*2-1).sum()
print(odd_sum)

利用 lambda 函数操作 Series 内的元素

SPL代码：

为了计算前 100 个奇数，Python 使用了令人费解的 apply 函数和 lambda 表达式，apply 是循环执行某个函数， lambda 表达式则相当于是个函数，对 Serires 中的某个元素执行这个函数。SPL 巧妙的利用符号“~”来完成 lambda 表达式的运算，使代码非常简单，只要理解了“~”表示循环时的当前元素即可，A.sum(…) 又等同于 A.(…).sum()，这就是循环后求和，稍加思考即可理解。

再看一个稍微复杂点的例子：

计算自然底数 e：

Python代码：

#s是 [1,2,…,20] 的 Series
def fact(n):
if n<=1:
return 1
else:
return n*fact(n-1)
e=s.apply(lambda x:1/fact(x)).sum()+1
print(e)

定义一个求阶乘的函数
调用函数再循环

SPL代码：

Python的做法很简单，先求出阶乘，然后循环，求和得到结果。但仔细想想这个有点简单粗暴了，每次算阶乘时都在重复 n-1 之前的阶乘动作，而 n-1 之前的结果刚好可以用来求自然底数，本来遍历一遍就解决了，Python 的 lambda 表达式却写不出来。SPL 只要先定义一个变量 nf，循环函数里边循环边更新，这样只要遍历一遍序列就把结果计算出来了，效率提高非常多。

相邻引用

循环函数除了用到集合中的元素外，有时还会用到集合中相邻位置的信息。。

还是看个具体的例子：

集合[123,345,321,345,546,542,874,234,543,983,434,897]是某个商家1年中每个月的销售额，请算出这一年中最大的月增长额是多少。

Python代码：

sales=[123,345,321,345,546,542,874,234,543,983,434,897]
s=pd.Series(sales)
s_pre=s.shift(1)
max_diff=(s-s_pre).iloc[1:].max()
print(max_diff)

之前 1 个月的销售额
当月 - 前月销售额的最大值

SPL代码：

Python中提供了计算之前一个元素的方法shift，但并没有提供循环时利用位置信息的方法，这样无形中又多遍历了1次集合，效率必然会打折扣。而SPL则是通过~[-1]充分利用位置关系，遍历一遍就将相邻元素的差计算出来，代码写起来简单流畅。

有时还会同时用到当前元素前后几个元素。

比如：还是那家店铺的一年的销售额，请计算每月及其前后各一个月的销售额的平均值。

Python代码：

sales=[123,345,321,345,546,542,874,234,543,983,434,897]
s=pd.Series(sales)
s_mean=s.rolling(3,center=True, min_periods=1).mean()
print(s_mean)

以 3 为窗口，当前元素为中心，计算平均值

SPL代码：

Python中 Rolling 又是一个新函数，上个问题和这个问题是一类问题，都用 shift 或者都用 rolling 的话可以理解，偏偏是完全不同的两个函数，在使用上完全不成体系，除了死记这些方法外貌似也没有更有效的方法了。再看 SPL，~[-1] 是距离当前位置之前一个位置的元素，~[-1:1] 是距离当前位置之前和之后一个位置的所有元素，很容易举一反三，运行效率还高。

小结

虽然 Python 中原生的循环函数很少，但 Pandas 对此进行了弥补，使用上方便了不少，比如一些常用的统计学方法在 Pandas 里都可以找得到，这相较于在统计学方面暂时尚未成熟的 SPL 来说还是很有优势的；但同时 Pandas 的方法又太多太凌乱，完全不成系统，就像本篇文章中的几个例子，本来都在“循环函数”这个框架下，但 Pandas 的解决方法是一题一方法，更像是为了解决问题而解决问题，方法之间不搭边，用户在使用时也只能东一榔头西一棒槌的调用方法了。

SPL就要好的多，总体都是在 A.() 这一循环函数的框架内，对循环时的元素进行相应的处理即可，举一反三自然不在话下，遍历一遍就解决的问题不会遍历第二遍，运行效率相较于 Python 也高了很多。