有没有更有效的方法可以按行应用，然后按列应用？

问：

我的数据集包含每天进行的 5 次测量，时间跨度为 700 天。我希望能够按星期几对这些值进行分组，然后将函数 from 应用于 5 个测量值中的每一个，用作参数。trim_meanscipy.stats1/stddevproportiontocut

我的数据：

import pandas as pd
import numpy as np
from scipy.stats import trim_mean

np.random.seed(42)

data = np.random.randint(0, 100, size=(5, 700))
col_names = pd.date_range('11-16-2023', periods=700)
df = pd.DataFrame(data, columns=col_names)

# df
    2023-11-16  2023-11-17 ...  2025-10-15
0   51          92         ...  57
1   88          48         ...  32
2   89          52         ...  96
3   61          99         ...  48
4   0           7          ...  34

现在，我可以使用以下（不是很优雅的）过程来做到这一点：

df_T = df.T
df_T['Day of Week'] = pd.to_datetime(df_T.index).isocalendar().day

## Room for improvement here ##
# Apply calculation to each type of measurement
gb = df_T.groupby('Day of Week')
m0 = gb[0].apply(lambda x: trim_mean(x, proportiontocut=1/np.std(x)))
m1 = gb[1].apply(lambda x: trim_mean(x, proportiontocut=1/np.std(x)))
m2 = gb[2].apply(lambda x: trim_mean(x, proportiontocut=1/np.std(x)))
m3 = gb[3].apply(lambda x: trim_mean(x, proportiontocut=1/np.std(x)))
m4 = gb[4].apply(lambda x: trim_mean(x, proportiontocut=1/np.std(x)))

results_df = pd.DataFrame([m0, m1, m2, m3, m4])
results_df.columns = columns=['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']

# results_df
    Mon         Tue         Wed         Thu         Fri         Sat         Sun
0   50.936170   51.712766   44.659574   49.117021   48.702128   47.414894   51.223404
1   49.244681   49.000000   49.138298   49.191489   45.872340   49.010638   47.074468
2   49.436170   46.404255   49.021277   46.553191   55.031915   51.265957   50.638298
3   43.744681   47.787234   48.574468   45.882979   47.255319   47.914894   49.606383
4   49.265957   46.255319   50.276596   50.872340   46.723404   45.255319   49.904255

这是非常低效的，如果我有很多测量值，就没有多大意义了。有没有一种聪明的方法来应用/映射我的函数来实现相同的目标？trim_mean