有没有办法在pandas数据帧上并行化这个循环？

import pandas as pd
from multiprocessing import Pool

def process_row(row):
    # 在这里进行每一行的计算
    return row

def parallelize_dataframe(df, func, num_processes):
    # 将数据框拆分为多个块，每个块由一个进程处理
    df_split = np.array_split(df, num_processes)
    pool = Pool(num_processes)
    df = pd.concat(pool.map(func, df_split))
    pool.close()
    pool.join()
    return df

# 创建一个数据框
df = pd.DataFrame({'col1': [1, 2, 3, 4, 5], 'col2': [6, 7, 8, 9, 10]})

# 并行化处理每一行
df_parallel = parallelize_dataframe(df, process_row, num_processes=4)

import pandas as pd
import dask.dataframe as dd

# 创建一个dask数据框
df = dd.from_pandas(pd.DataFrame({'col1': [1, 2, 3, 4, 5], 'col2': [6, 7, 8, 9, 10]}), npartitions=2)

# 并行化处理每一行
df_parallel = df.apply(process_row, axis=1, meta=df)
df_parallel = df_parallel.compute()

import pandas as pd
from joblib import Parallel, delayed

def process_row(row):
    # 在这里进行每一行的计算
    return row

# 创建一个数据框
df = pd.DataFrame({'col1': [1, 2, 3, 4, 5], 'col2': [6, 7, 8, 9, 10]})

# 并行化处理每一行
df_parallel = pd.DataFrame(Parallel(n_jobs=-1)(delayed(process_row)(row) for _, row in df.iterrows()))