Избегайте df.iterrow для удаления строк данных в определенных условиях

У меня есть фрейм данных, подобный этому:

import pandas as pd

colA = ['a', 'a', 'a', 'a', 'b', 'b', 'b', 'b', 'c', 'c', 'c', 'c']
colB = [(21,1,2), (0,1,21), (2,1,21), (1,12,5), (21,1,0), (12,5,6), (18,7,14), (7,5,12), (14,7,18), (12,7,11), (11,7,12), (3,5,7)]
df = pd.DataFrame(list(zip(colA, colB)), columns = ['colA', 'colB'])
display(df)

выход:

    colA    colB
0   a   (21, 1, 2)
1   a   (0, 1, 21)
2   a   (2, 1, 21)
3   a   (1, 12, 5)
4   b   (21, 1, 0)
5   b   (12, 5, 6)
6   b   (18, 7, 14)
7   b   (7, 5, 12)
8   c   (14, 7, 18)
9   c   (12, 7, 11)
10  c   (11, 7, 12)
11  c   (3, 5, 7)

Мне нужно было бы удалить (или отфильтровать) все строки, в которых при одном и том же значении colA значение colB в строке равно обратному значению colB в другой строке.
В представленном примере:

• внутри colA='a' строки 2 есть colB=(2,1,21), противоположная строке 0 colB=(21,1,2), поэтому ее следует опустить

• colA='b' в 4-м ряду есть colB=(21,1,0), противоположный 1-му ряду colB=(0,1,21), но это colA='a', поэтому здесь нечего опускать

• в colA='c' строке 10 есть colB=(11,7,12), противоположная строке 9 colB=(12,7,11), поэтому ее следует опустить

Окончательные результаты будут примерно такими:

    colA    colB
0   a   (21, 1, 2)
1   a   (0, 1, 21)
2   a   (1, 12, 5)
3   b   (21, 1, 0)
4   b   (12, 5, 6)
5   b   (18, 7, 14)
6   b   (7, 5, 12)
7   c   (14, 7, 18)
8   c   (12, 7, 11)
9   c   (3, 5, 7)

Наблюдения:

1. Предпочтительно удалить строку в дублированном фрейме данных и сохранить оригинал

2. Очень важно: мой реальный фрейм данных имеет форму (3 миллиона, 11), поэтому я ищу эффективный способ сделать это, например .apply, lambda и т. д. Я делал это в прошлом с df.iterrows, это уже не было лучший способ, мой плохой .. сейчас это совершенно невозможно

Текущее решение df.iterrows:

unique_df = df.copy()
seen_a_b = set()
for i, row in df.iterrows():
    val_a = row['colA']
    val_b = row['colB']
    a_b = (val_a, val_b)
    a_revb = (val_a, val_b[::-1])
    if a_b in seen_a_b:
        unique_df.drop(i, inplace=True)
        continue
    seen_a_b.add(a_b)
    seen_a_b.add(a_revb)