query()不一定比布尔索引快，大数据量下可能略慢，但可维护性更高；列名含空格需反引号，变量须加@前缀，字符串值要加引号，混用str.contains等会退化为Python执行。
query方法比布尔索引快吗？不一定，但写法更安全
直接说结论：query() 在数据量大、条件复杂时可能略慢于优化后的布尔索引，但它能避免变量名冲突、自动处理空格列名、支持字符串表达式缓存，对可维护性提升明显。真正提速的关键不是换函数，而是避免在循环里反复调用 query() 或传入未预编译的动态字符串。
哪些字符串写法会让query()报错或变慢
query() 解析的是 Python 表达式，不是 SQL，很多常见写法会出问题：
- 列名含空格或特殊字符（如
"user id"）必须用反引号包裹：df.query("`user id` > 100") - 不能直接用外部变量名当字面量——
threshold = 50; df.query("age > threshold")会报NameError；得用@前缀：df.query("age > @threshold") - 字符串比较要加引号：
df.query('category == "A"')，漏掉引号会被当成列名 - 链式调用时别在
query()里用in检查大列表：df.query("name in @big_list")会触发 Python 层遍历，换成isin()更快
query() 和 isin() / str.contains() 混用的坑
query() 不支持原生正则或向量化字符串方法，强行写 query("name.str.contains('abc')") 会失败——它只认基础运算符和少数预注册方法（如 str.startswith）。正确做法是分步：
mask = df["name"].str.contains("abc", na=False)
result = df[mask].query("status == 'active'")或者全用布尔索引更可控。另外，query() 对 NaN 默认跳过，而 isin() 可通过 na=False 显式控制，这点容易被忽略。
立即学习“Python免费学习笔记（深入）”；
为什么加了 engine="numexpr" 有时反而更慢
query() 默认用 numexpr 引擎加速数值计算，但它不支持字符串操作、函数调用（如 abs()）、自定义变量类型（如 datetime 列参与算术）。如果表达式里混了这些，引擎会自动 fallback 到 Python 解释器，还多了一层判断开销。简单规则：
- 纯数值比较（
"a > b * 2"）：开engine="numexpr"有收益 - 含
str.contains、dt.year、@list：关掉更稳，用默认engine=None - 不确定时，先跑
%timeit df.query(...)对比两种引擎
真实瓶颈往往不在引擎，而在是否提前过滤了无关列、是否重复构造了同样的 query 字符串。
