向量化循环

我有一个非常大的数据框（〜10 ^ 8行），需要在其中更改一些值。我使用的算法很复杂，因此我尝试将问题分解为以下简单示例。我主要使用C ++进行编程，因此我一直在考虑for循环。我知道我应该向量化，但是我是python的新手，但是对pandas来说是新手，因此无法提出更好的解决方案。任何提高性能的解决方案都是值得欢迎的。

#!/usr/bin/python3


import numpy as np
import pandas as pd

data = {'eventID': [1, 1, 1, 2, 2, 3, 4, 5, 6, 6, 6, 6, 7, 8],
        'types':    [0, -1, -1, -1, 1, 0, 0, 0, -1, -1, -1, 1, -1, -1]
        }


mydf = pd.DataFrame(data, columns=['eventID', 'types'])
print(mydf)

MyIntegerCodes = np.array([0, 1])
eventIDs = np.unique(mydf.eventID.values)  # can be up to 10^8 values

for val in eventIDs:

    currentTypes = mydf[mydf.eventID == val].types.values

    if (0 in currentTypes) & ~(1 in currentTypes):
        mydf.loc[mydf.eventID == val, 'types'] = 0

    if ~(0 in currentTypes) & (1 in currentTypes):
        mydf.loc[mydf.eventID == val, 'types'] = 1


print(mydf)

有任何想法吗？

编辑：我被要求解释我对我的for循环。对于每个eventID，我想知道所有对应的类型是否都包含1或0或两者都包含。如果它们包含1，则所有等于-1的值都应更改为1。如果值是0，则等于-1的所有值都应更改为0。我的问题是要为每个eventID高效地单独执行此操作。每个eventID可以有一个或多个条目。

输入示例：

    eventID  types
0         1      0
1         1     -1
2         1     -1
3         2     -1
4         2      1
5         3      0
6         4      0
7         5      0
8         6     -1
9         6     -1
10        6     -1
11        6      1
12        7     -1
13        8     -1

示例输出：

    eventID  types
0         1      0
1         1      0
2         1      0
3         2      1
4         2      1
5         3      0
6         4      0
7         5      0
8         6      1
9         6      1
10        6      1
11        6      1
12        7     -1
13        8     -1