python中错误useofeval_python - 使用pd.eval（）在pandas中进行动态表达式评估 - 堆栈内存溢出...

这个答案深入研究了pd.eval ， df.query和df.eval提供的各种特性和功能。

建立

示例将涉及这些DataFrame(除非另有说明)。

np.random.seed(0)

df1 = pd.DataFrame(np.random.choice(10, (5, 4)), columns=list('ABCD'))

df2 = pd.DataFrame(np.random.choice(10, (5, 4)), columns=list('ABCD'))

df3 = pd.DataFrame(np.random.choice(10, (5, 4)), columns=list('ABCD'))

df4 = pd.DataFrame(np.random.choice(10, (5, 4)), columns=list('ABCD'))

注意

在讨论的三个函数中， pd.eval是最重要的。 df.eval和df.query在引擎盖下调用pd.eval 。 行为和使用在三个功能中或多或少地保持一致，稍后将突出显示一些较小的语义变化。 本节将介绍所有三个函数共有的功能 - 包括(但不限于) 允许的语法，优先级规则和关键字参数。

pd.eval可以评估可以包含变量和/或文字的算术表达式。 这些表达式必须作为字符串传递。 所以， 要回答上述问题 ，你可以做到

x = 5

pd.eval("df1.A + (df1.B * x)")

有些事情需要注意：

整个表达式是一个字符串

df1 ， df2和x引用全局命名空间中的变量，这些变量在解析表达式时由eval选取

使用属性访问器索引访问特定列。 你也可以使用"df1['A'] + (df1['B'] * x)"来达到同样的效果。

我将在下面解释target=...属性的部分中讨论重新分配的具体问题。 但是现在，这里有更简单的pd.eval有效操作pd.eval ：

pd.eval("df1.A + df2.A") # Valid, returns a pd.Series object

pd.eval("abs(df1) ** .5") # Valid, returns a pd.DataFrame object

...等等。 条件表达式也以相同的方式受支持。 以下语句都是有效的表达式，将由引擎进行评估。

pd.eval("df1 > df2")

pd.eval("df1 > 5")

pd.eval("df1 < df2 and df3 < df4")

pd.eval("df1 in [1, 2, 3]")

pd.eval("1 < 2 < 3")

可以在文档中找到详细说明所有支持的功能和语法的列表。 综上所述，

除左移( << )和右移( >> )运算符之外的算术运算，例如， df + 2 * pi / s ** 4 % 42 - the_golden_ratio

比较操作，包括链式比较，例如2 < df < df2

布尔运算，例如， df < df2 and df3 < df4或not df_bool list和tuple文字，例如[1, 2]或(1, 2)

属性访问，例如， df.a

下标表达式，例如df[0]

简单的变量评估，例如pd.eval('df') (这不是很有用)

数学函数：sin，cos，exp，log，expm1，log1p，sqrt，sinh，cosh，tanh，arcsin，arccos，arctan，arccosh，arcsinh，arctanh，abs和arctan2。

本文档的这一部分还指定了不受支持的语法规则，包括set / dict文字，if-else语句，循环和理解以及生成器表达式。

从列表中可以看出，您还可以传递涉及索引的表达式，例如

pd.eval('df1.A * (df1.index > 1)')

解析器选择： parser=...参数

在解析表达式字符串以