在列'tenor'中，'M'表示月份，'Y'表示年份。创建一个'Month'列，其中'Y'按12个月缩放。
直接使用pandas.DataFrame.plot绘制data，并使用.set_xticks更改xtick-labels，会更简洁。

在python 3.12.0、pandas 2.1.1、matplotlib 3.8.0中测试

data = pd.read_csv(io.StringIO(temp), sep=",")
# Add a column "Month" from the the column "tenor"
data["Month"] = data['tenor'].apply(lambda x : int(x[:-1]) *12 if 'Y' in x else int(x[:-1]))
# plot yield vs Month
ax = data.plot(x='Month', y='yield', figsize=(17, 5), legend=False)
# set the xticklabels
_ = ax.set_xticks(data.Month, data.tenor)

字符串
输出：
x1c 0d1x的数据

.apply带lambda函数最快

• 给定600万行

data = pd.DataFrame({'tenor': ['1M', '3M', '6M', '1Y', '5Y', '10Y'] * 1000000})

型

%timeit实现对比

• .apply和lambda

%timeit data['tenor'].apply(lambda x: int(x[:-1]) *12 if 'Y' in x else int(x[:-1]))
2 s ± 50.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

型

• .apply函数调用

def scale(x):
    v = int(x[:-1])
    return v * 12 if 'Y' in x else v
%timeit data['tenor'].apply(scale)
2.02 s ± 20.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

型

• 矢量化np.where与assignment expression

%timeit np.where(data.tenor.str.contains('Y'), (v := data.tenor.str[:-1].astype(int)) * 12 , v)
2.44 s ± 26.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

型

• 矢量化np.where，无assignment expression

%timeit np.where(data.tenor.str.contains('Y'), data.tenor.str[:-1].astype(int) * 12 , data.tenor.str[:-1].astype(int))
3.36 s ± 5.38 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

型