这个答案潜入各种特性和功能的提供pd.eval，df.query和df.eval。
设置 示例将涉及这些DataFrame（除非另有说明）。
注意 在所讨论的三个功能中，pd.eval最为重要。df.eval并在幕后df.query打电话 pd.eval。行为和用法在这三个功能上或多或少是一致的，有些语义上的细微变化将在后面强调。本节将介绍所有这三个功能共有的功能-包括（但不限于）允许的语法，优先级规则和关键字参数。
pd.eval可以评估由变量和/或文字组成的算术表达式。这些表达式必须作为字符串传递。因此，要回答上述问题，你可以
这里要注意一些事情：
…等等。还以相同方式支持条件表达式。下面的语句都是有效表达式，将由引擎进行评估。
可以在文档中找到详细列出所有受支持的功能和语法的列表。综上所述，
文档的此部分还指定了不支持的语法规则，包括set/ dict文字，if-else语句，循环和理解以及生成器表达式。
从列表中可以明显看出，你还可以传递涉及索引的表达式，例如
pd.eval解析表达式字符串以生成语法树时，支持两种不同的解析器选项：pandas和python。两者之间的主要区别通过稍有不同的优先级规则突出显示。
使用默认解析器pandas，重载的逐位运算符&以及|与pandas对象实现向量化AND和OR的运算符的优先级与and和or。所以，
将与
而且也一样
在此，括号是必需的。通常，要这样做，需要使用parens来覆盖按位运算符的更高优先级：
没有那个，我们最终会
parser='python'如果要在评估字符串时保持与python实际运算符优先级规则的一致性，请使用。
两种类型的解析器之间的另一个区别是带有list和tuple节点的==and !=运算符的语义，在使用解析器时，它们的语义分别与in和相似。例如，not in'pandas'
有效，并将以与以下相同的语义运行
OTOH，pd.eval(“df1 == [1, 2, 3]”, parser=’python’)将引发NotImplementedError错误。
有两个选项- numexpr（默认）和python。该numexpr选项使用为性能优化的numexpr后端。
使用’python’后端，对表达式的评估类似于仅将表达式传递给python的eval函数。你可以灵活地执行更多内部表达式，例如字符串操作。
不幸的是，这种方法没有提供比numexpr引擎更好的性能优势，并且几乎没有安全措施可确保不评估危险的表达式，因此请自担风险使用！’python’除非你知道自己在做什么，否则通常不建议将此选项更改为。
有时，为表达式中使用的变量提供值很有用，但当前尚未在名称空间中定义变量。你可以将字典传递给local_dict
例如，
由于thresh未定义，因此失败。但是，这可行：
当你有要从字典提供的变量时，这很有用。另外，使用’python’引擎，你可以简单地执行以下操作：
但是，这将可能是很多比使用较慢的'numexpr'发动机和传递一个字典local_dict或global_dict。希望这应该为使用这些参数提供令人信服的论据。
这通常不是必需的，因为通常有更简单的方法可以执行此操作，但是你可以将结果分配给pd.eval实现__getitem__诸如dicts和（猜对了）DataFrames的对象。
考虑问题中的例子
要将列“ D”分配给df2，
例如，如果你想将此分配回一个DataFrame，则可以使用target如下参数：
如果要在上执行就地突变df，请设置inplace=True。
如果inplace设置为没有目标，ValueError则引发a。
尽管该target参数很有趣，但你几乎不需要使用它。
如果要使用进行此操作df.eval，则可以使用涉及赋值的表达式：
注意的 一种pd.eval意外用途是以与以下方式非常相似的方式解析文字字符串ast.literal_eval：
它还可以使用’python’引擎解析嵌套列表：
以及字符串列表：
但是，问题在于长度大于100的列表：
DataFrame.eval -与并置 pandas.eval 如上所述，在后台df.eval调用pd.eval。的v0.23源代码示出了该：
eval创建参数，进行一些验证，然后将参数传递给pd.eval。
有关更多信息，你可以继续阅读：何时使用DataFrame.eval（）与pandas.eval（）或python eval（）
用法差异 具有DataFrames v / s系列表达式的表达式 对于与整个DataFrame相关的动态查询，你应该首选pd.eval。例如，没有简单的方法来指定pd.eval(“df1 + df2”)调用df1.eval或时的等效项df2.eval。
另一个主要区别是如何访问列。例如，要在中添加两列“ A”和“ B” df1，则可以pd.eval使用以下表达式进行调用：
使用df.eval，只需提供列名称：
因为在的上下文中df1，很明显“ A”和“ B”是指列名。
你还可以使用引用索引和列index（除非命名索引，否则将使用名称）。
或者，更一般地，对于具有1或更多级的索引数据帧的任何，可以参考第k 个使用变量索引的水平在表达“ilevel_k”表示“ 我 ndex在等级k ”。IOW，上面的表达式可以写成df1.eval("A + ilevel_0")。
这些规则也适用于query。
在本地/全局命名空间中访问变量 表达式内提供的变量必须以“ @”符号开头，以避免与列名混淆。
同样的道理query。
不用说，你的列名必须遵循python中有效标识符命名的规则，以便在内部访问eval。有关命名标识符的规则列表，请参见此处。
一个鲜为人知的事实是eval支持处理分配的多行表达式。例如，要基于某些列上的某些算术运算在df1中创建两个新列“ E”和“ F”，并基于先前创建的“ E”和“ F”来创建第三列“ G”，我们可以
它有助于将df.query其pd.eval视为用作子例程的函数。
通常，query（顾名思义）用于评估条件表达式（即产生True / False值的表达式）并返回与True结果相对应的行。然后将表达式的结果传递给loc（在大多数情况下）以返回满足表达式的行。根据文档，
该表达式的求值结果首先传递给 DataFrame.loc，如果由于多维键（例如，DataFrame）而失败，则结果将传递给 DataFrame.__getitem__()。
此方法使用顶级pandas.eval()函数评估传递的查询。
在相似的条件，query并df.eval在他们如何访问列名和变量都一样。
如上所述，两者之间的主要区别在于它们如何处理表达式结果。当你实际上通过这两个函数运行表达式时，这一点变得显而易见。例如，考虑
要获取其中所有“ A”> =“ B”的行df1，我们将使用eval以下代码：
m表示通过评估表达式“ A> = B”生成的中间结果。然后，我们使用蒙版进行过滤df1：
但是，使用query，中间结果“ m”直接传递给loc，因此使用query，你只需要执行
在性能方面，它是完全相同的。
但是后者更为简洁，并且只需一步即可表达相同的操作。
请注意，你也可以query像这样做一些奇怪的事情（例如，返回由df1.index索引的所有行）
但是不要。
底线：query在基于条件表达式查询或过滤行时，请使用。
602392714
清零编程群