何时使用DataFrame.eval（）与pandas.eval（）或python eval（）

何时使用DataFrame.eval（）与pandas.eval（）或python eval（）

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by

df.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。