我希望这样做没有一个循环（速度和学习如何）。
为了找出目前市场上有多少辆汽车，假设你有从1923年到今天的所有年份的销量。
这是5个不同国家的情况。
对于所有国家，我也有一个衰减向量，因为汽车在某个点停止工作，向量包含了在生产后给定年数时发生故障并退出市场的汽车数量。
它可能看起来像这样：

import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randint(100,1000,size=(100, 5)), columns=list('ABCDE'))

break_vector = np.random.dirichlet(np.ones(100),size=1)

break_vector的和为1，因为我们可以假设这些汽车中没有一辆能在道路上行驶超过100年。
我们要计算的是每个国家每年的剩余汽车数量，所以计算基本上是针对每个市场：
从df中取出1923年售出的汽车数量，乘以break_vector，在1924年，我们需要做同样的事情，然后加上1923年以来尚未分解的汽车数量（break_vector中前两位的总和乘以1923年售出的汽车数量），依此类推。
最后，我们得到了一个 Dataframe ，其中包含了每个国家每年仍在行驶的汽车数量--国家是列，指数是年。
我想要的是一个 Dataframe ，其中包含在任何一年中有多少辆汽车在A国行驶的信息。
我已经在一个循环中完成了它，但是我如何使用向量来完成它，并希望得到更容易调试和运行更快的代码呢？
我试着用循环的方式来做，它工作了（这意味着它做了我上面描述的事情），但是在更大的范围内，如果我们能看到向量/矩阵是如何完成的，那将是令人惊讶的，而且如果我们谈论的是50个国家的话，它会快多少。

import pandas as pd
import numpy as np
#Creating data
df = pd.DataFrame(np.random.randint(100,1000,size=(100, 5)), columns=list('ABCDE'))
break_vector = np.random.dirichlet(np.ones(100),size=1)
#Empty dataframe to store results
all_markets = pd.DataFrame()
#The countries to include
countries = list('ABCDE')
#Loopty loop stuff
for country in countries:
    zero_data = np.zeros(shape=(1000,1000))
    d = pd.DataFrame(zero_data)
    sold = df[country].cumsum()
    for sales in range(0,100):
        sales_year=df.iloc[sales,countries.index(country)]
        for breaks in range(0,100):
            breakdowns = sales_year*break_vector[0,breaks]
            d.iloc[breaks+sales,sales]=breakdowns
            print(breaks+sales)
    #Remaining in market - row sums
    result1 = sold-d.sum(axis=1).cumsum()[0:100]
    all_markets[country] = result1
´´´