pandas本身就是面向數據分析的，而且是面向大數據分析的，所以其內置函數本身在設計上相比於一些python原生的操作就會繁雜一些，這也是爲了功能性的考慮。所以，這就導致了其內置函數就像高速火車，而python的原生操作就像超跑，超跑在速度上是具有優勢的，但是在功能性上是比不上高速火車的。所以，理論上，如果可以用python的原生操作實現，那麼總是可以更快的，畢竟內置函數很多也是用原生操作封裝好的接口而已；但是在代碼的簡潔性上以及重用性上就會更差，而且有時候我們自己的實現方式並不是最優的，即我們以爲我們是在用超跑，其實自己造出來的只是自行車而已。
所以，內置函數的優勢在於，其功能性比較強，所以相比於超跑其起步較慢；由於直接是一個接口，可以讓代碼更加的簡潔，重要的是，內置函數的往往也是在滿足功能性的前提下，是最優的實現方式；其弱點在於，因爲功能性而犧牲了性能，所以我們理論上總是可以用python的原生結構和操作更快的實現，因爲當我們用原生方式實現時，實際上功能性是很單一的，所以性能也會更好，當然，內置函數的優點也就是python原生方式的缺點，因此，對於是用內置函數還是原生方式實現，需要根據不同的情形去權衡。
pandas中，對於小數據量的操作，要儘量避免使用大部分內置函數（並非絕對，但絕對是大部分），轉而使用python的輕量級的原生的操作，即用python原生的數據結構和數據之間的加減乘除等操作實現，特別是在這種情形下：對一個具有幾十萬行的DataFrame進行逐行的操作，這時由於每行的數據量往往較小，故不宜使用pandas內置函數，每行的一點點性能的損失經過幾十萬行的累加放大，就可以使得整個程序的性能顯著下降。但是，如果我們是對列進行操作，這時數據量足夠的大，由於函數功能性帶來的性能損失是固定的，不隨着數據量變化而變化，因此，這時起步的耽擱的時間相比於長途旅行來說就顯得微不足道了。
對於大數據量的操作，我們要儘量使用內置函數，因爲內置函數的封裝往往是相當底層的，我們用最優的原生方式實現往往比較繁瑣；此外，我們要儘量使用內置函數的另一個重要的理由其實在於：pandas中的內置函數是基於numpy，而numpy底層很多是c實現的，所以相比於python原生操作在性能上具有質的提升，這相當於，高速火車變成了飛機，雖然起步還是略慢，但是中間的運行速度是遠超超跑的。所以，大數據量的操作，主要時間就不是在起步上了，而是在中間的執行速度上。
上述說明可從下面的例子中看出，對於極少的數據，原生的+優於np.sum。
import time
import pandas as pd
import numpy as np
df=pd.DataFrame(np.arange(800000).reshape(200000,4),columns=list('abcd'))
t1=time.time()
s1=df.apply(lambda x:x['a']+x['c']+x['b']+x['d'],axis=1)
t2=time.time()
print(t2-t1)
# output: 17.57075548171997
t5=time.time()
s1=df.apply(np.sum,axis=1)
t6=time.time()
print(t6-t5)
# output: 39.55056023597717
