我需要对一个DataFrame进行分组，并在每个分组上应用几个链接函数。
我的问题与pandas - Groupby two functions中的基本相同：在每组上依次应用cumsum和shift。
关于如何获得正确的结果，有一些答案，但它们似乎有次优的性能。我的具体问题是：是否有比我下面描述的方法更有效的方法？
首先是一些大型测试数据：

from string import ascii_lowercase

import numpy as np
import pandas as pd

n = 100_000_000
np.random.seed(0)
df = pd.DataFrame(
    {
        "x": np.random.choice(np.array([*ascii_lowercase]), size=n),
        "y": np.random.normal(size=n),
    }
)

以下是每个功能的性能：

%timeit df.groupby("x")["y"].cumsum()
4.65 s ± 71 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit df.groupby("x")["y"].shift()
5.29 s ± 54.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

一个基本的解决方案是分组两次，这似乎不是最佳的，因为分组是整个运行时的一大部分，应该只进行一次。

%timeit df.groupby("x")["y"].cumsum().groupby(df["x"]).shift()
10.1 s ± 63.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

上述问题的公认答案建议使用带有自定义函数的apply来避免这个问题，但由于某些原因，它实际上比以前的解决方案性能差得多。

def cumsum_shift(s):
    return s.cumsum().shift()

%timeit df.groupby("x")["y"].apply(cumsum_shift)
27.8 s ± 858 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

你知道如何优化这段代码吗？特别是在我想链接两个以上函数的情况下，性能的提高会变得非常显著。