query方法中多条件布尔表达式需用&、|、~且每条件加括号；含空格或特殊字符列名须用反引号包裹；小数据量时query通常比布尔索引慢，且不支持链式操作。
query方法里怎么写多条件布尔表达式
直接用字符串写，用 &（不是 and）、|（不是 or）、~（不是 not），所有条件必须用括号包裹，否则运算优先级会出错。
常见错误现象：df.query("age > 25 and salary 报 <code>UndefinedVariableError —— 因为 and 是 Python 关键字，query 只认位运算符。
df.query("(age > 25) & (salary- 字符串值必须用单引号或双引号包裹，且内外引号不能相同：
df.query("name == 'Alice'")✅，df.query("name == "Alice"")❌ - 变量插值用
@前缀：min_age = 25; df.query("age > @min_age")
处理含空格或特殊字符的列名
列名带空格、连字符、点号等时，query 默认解析失败，必须用反引号 ` 包裹列名。
使用场景：读取 Excel 或 CSV 后列名是 "user id"、"total-price"、"2023_score" 这类。
立即学习“Python免费学习笔记（深入）”；
df.query("`user id` > 100 & `total-price` > 50")-
df.query("`2023_score` >= 90")—— 数字开头的列名也必须加反引号 - 不加反引号会报
SyntaxError: invalid syntax或KeyError
query比布尔索引快还是慢？什么情况下别用
小数据量（query 通常略快，因为它底层用了 numexpr 加速计算，但前提是表达式能被 numexpr 编译。
容易踩的坑：一旦表达式里出现 Python 函数（如 str.contains、isin 调用列表）、lambda、或未注册的自定义方法，query 就自动退回到 Python 解释器执行，反而更慢，甚至报错。
- 支持：
df.query("name.str.startswith('A')")✅（pandas 扩展语法） - 不支持：
df.query("name in ['Alice', 'Bob']")❌ → 改用df.query("name in @my_list")，其中my_list = ['Alice', 'Bob'] - 绝对避免：
df.query("np.log(age) > 3")→np未注入命名空间，会报NameError
如何调试query字符串报错
最有效的办法是先构造好字符串，打印出来看是否合法，再传给 query。很多错误其实是引号嵌套或括号漏写导致的语法问题。
性能 / 兼容性影响：在 pandas 1.5+ 中 query 对 nullable 类型（如 Int64、string）支持良好；但旧版本对 category 列做比较时可能隐式转 str，结果意外。
expr = "(age > 25) & (city in @cities)"; print(repr(expr)); df.query(expr)- 遇到
InvalidSyntaxError，复制打印出的字符串到 Python 解释器中手动eval一下，能快速定位括号或引号问题 - 用
engine='python'强制走 Python 模式（df.query(..., engine='python')）可绕过 numexpr 限制，但失去加速优势
@、还有习惯性写 and —— 这三点占了 80% 的报错。 
