那么DataFrame.eval（）的好处仅仅是在简化输入方面，还是我们可以确定使用此方法实际上更快的情况？
DataFrame.eval（）的源代码表明，它实际上只是创建要传递给pd.eval（）的参数：
def eval(self, expr, inplace=None, **kwargs):
inplace = validate_bool_kwarg(inplace, 'inplace')
resolvers = kwargs.pop('resolvers', None)
kwargs['level'] = kwargs.pop('level', 0) + 1
if resolvers is None:
index_resolvers = self._get_index_resolvers()
resolvers = dict(self.iteritems()), index_resolvers
if 'target' not in kwargs:
kwargs['target'] = self
kwargs['resolvers'] = kwargs.get('resolvers', ()) + tuple(resolvers)
return _eval(expr, inplace=inplace, **kwargs)
其中_eval（）只是pd.eval（）的别名，该别名在模块的开头导入：
from pandas.core.computation.eval import eval as _eval
所以，什么可以做用df.eval()，你 可以 做pd.eval()+一些额外的线条处理事情。从目前的情况来看，df.eval()从没有严格比快pd.eval()。但这并不意味着在任何情况下都不会df.eval()像一样好pd.eval()，但是编写起来更方便。
但是，在玩弄%prun魔术之后，似乎通过bydf.eval()进行的调用df._get_index_resolvers()给该df.eval()方法增加了相当多的时间。最终，_get_index_resolvers()最终调用的.copy()方法numpy.ndarray，这最终使事情变慢。同时，pd.eval()确实会numpy.ndarray.copy()在某个时候进行呼叫，但是所花费的时间可以忽略不计（至少在我的机器上）。
长话短说，似乎df.eval()比pd.eval()在引擎盖下要慢得多，因为它只是pd.eval()在幕后加了一些额外的步骤，而这些步骤是不平凡的。
602392714
清零编程群