pandas.eval 默认不修改原 DataFrame，仅返回计算结果；需手动赋值如 df["col"] = df.eval("a + b") 才能更新列。
eval 会改原 DataFrame 吗？
pandas.eval 默认不修改原数据，它只返回计算结果。想“原位修改”，得手动赋值——很多人卡在这儿，以为写了 df.eval("col = a + b") 就自动更新了列，其实没用。
常见错误现象：df.eval("col = a + b") 执行后 df 完全没变；或者返回一个 Series 或标量，但不知道往哪儿塞。
- 正确做法是：用
df["col"] = df.eval("a + b")（生成新列）或df.loc[:, "col"] = df.eval("a + b")（显式定位） - 如果真想“就地赋值”且避免中间变量，可配合
inplace=True的等效写法——但注意：eval本身没有inplace参数，必须靠赋值模拟 - 别对
df.eval("col = a + b")的返回值掉以轻心：它返回的是右值（即a + b的结果），不是df
哪些运算符和函数 eval 支持？
pandas.eval 不是 Python 全功能解释器，它只支持子集：基础算术（+, -, *, /, **）、比较（==, !=, , <code>in）、布尔逻辑（&, |, ~），以及少量内置函数如 sin, cos, log, exp, abs。
使用场景：快速做列间算术、条件筛选（比如 df.query 底层就用它），但别指望调 np.where 或自定义函数。
-
df.eval("a * b + np.log(c)")❌ 报NameError: name 'np' is not defined——np不在默认命名空间里 -
df.eval("log(c)")✅ 可用，因为log是内置函数（底为 e） -
df.eval("a in [1, 2, 3]")❌ 不支持列表字面量，但df.eval("a == 1 or a == 2 or a == 3")✅
eval 和直接 Python 运算比，快在哪？
快在避免 Python 字节码解释开销，尤其对大 DataFrame：它把表达式编译成 NumPy 级别的向量化操作，跳过逐行 Python 循环。但提速有前提——不能混用 Python 对象或触发回退（fallback）。
性能影响关键点：一旦表达式里出现不支持的语法（比如字符串方法、lambda、括号嵌套过深），eval 会静默切回标准 Python 求值，这时反而更慢，还失去内存优势。
- 推荐用
engine="numexpr"（默认）：适合数值密集型，内存友好 - 若含大量字符串操作，不如直接用
.str链式调用，eval压根不支持.str.contains这类 - 测试是否真加速？别猜，用
%timeit df.eval("a + b")和%timeit df["a"] + df["b"]实测——小数据下可能差不多甚至更慢
为什么有时 eval 报 KeyError 或 UndefinedVariableError？
不是列名写错了，而是作用域问题：eval 默认只认 DataFrame 的列名，不认外部变量，也不认局部作用域里的 dict 或临时变量。
常见错误现象：threshold = 10; df.eval("a > threshold") 直接报 UndefinedVariableError；或者用了 df.eval("a > @threshold") 却忘了加 @ 符号。
- 引用外部变量必须加
@前缀：df.eval("a > @threshold") - 引用另一个 DataFrame 的列？不行，
eval只绑定单个df；跨表要用merge或join先对齐 - 列名含空格或特殊字符？必须用反引号：
df.eval("`user id` > 100")
事情说清了就结束。最常被忽略的是作用域规则和回退机制——看着代码跑通了，其实早切到慢路径上，还误以为是 eval 在起作用。
