本文主要介紹pandas.DataFrame的三個接口，即assign、eval、query，分別用于賦值、查詢和執行計算。

01 assign

在數據分析處理中，賦值產生新的列是非常高頻的應用場景，簡單的可能是賦值常數列、復雜的可能是由一列產生另外一個一列，對于這種需求pandas有多種方法實現，但個人唯獨喜歡assign，用起來優雅高效。

例如，對于以上簡單的DataFrame數據框，需要創建一個新的列C，一般來說可能有3種創建需求：常數列、指定序列數據以及由已知列通過一定計算產生。那么應用assign完成這3個需求分別是：

注意事項：

1. assign賦值新列時，一般用新列名=表達式的形式，其中新列名為變量的形式，所以不加引號（加引號時意味著是字符串）；
2. assign返回創建了新列的dataframe，所以需要用新的dataframe對象接收返回值；
3. assign不僅可用于創建新的列，也可用于更新已有列，此時創建的新列會覆蓋原有列。

02 eval

實際上，eval是一個Python基礎函數，用于執行字符串形式的計算表達式，例如以下簡單實例：

那么，eval作為pandas.dataframe數據結構的一個接口，執行功能應該也與執行計算有關。另一方面，pandas中實際上是內置了大量的SQL類語法（包括下面要介紹的query也是），而eval的功能正是執行類似SQL語法中的計算，對已知列執行一定的計算時可用eval完成。例如，仍以前述由A和B列產生C列為例，應用eval的方法為：

了解SQL語法的都知道可用@前綴修飾自定義變量，這一用法在這里的eval中也得以保留，此時可非常方便的引用外部變量。當然，eval中的計算表達式本身屬于字符串形式，所以自然也可以用Python的通用字符串引用方法。如下圖所示。

注意事項：

1. eval支持接收一個inplace參數控制原地創建新變量或者返回新的dataframe；也支持僅用表達式而不設置新變量名，此時返回數據為series格式，如下圖所示；
2. eval表達式中也支持調用函數執行復雜計算。

03 query

這應該是最近使用最為頻繁的一個接口了，pandas中雖然也提供了多種數據篩選方式，例如loc中增加表達式、或者直接用df[df[]……]等等，但總覺得用起來不夠優雅，尤其是要寫兩遍df以及[]等等，此時如果靈活運用query函數，那么會便捷不少。尤其是query也是類似于SQL中where關鍵字的語法邏輯，用起來會很順滑。

例如對于以上dataframe，需要根據不同場景查詢滿足條件的記錄，調用query的實現方式為：

當然，之所以說query中支持類似SQL的語法，是因為其也有兩個SQL中標志性的設計，其一是@引用自定義外部變量，其二是對于特殊的列名（例如包含空格的字符）可以用反引號``加以修飾引用。例如，下述例子中C C列中有個空格，直接用于字符串表達式會存在報錯，此時可使用反引號加以修飾，同時查詢條件中應用了@修飾符引用外部變量。當然，與eval中類似，這里當然也可以用f字符串修飾引用。

注意事項：

1. query中也支持inplace參數，控制是否將查詢過濾條件作用于dataframe本身；
2. 與eval類似，query中也支持引用外部函數。