在含时间戳层级的多索引列中使用pd.eval函数失败的问题

问题核心在于：多索引列的第一层级是datetime对象，无法通过.属性访问的方式在pd.eval中引用这类列——因为datetime(2020,5,17)这类表达式不是合法的Python标识符，不能作为DataFrame的属性名。

解决方案1：修改pd.eval查询字符串为索引访问格式 #

将列的点访问格式转换为df.loc[:, (datetime对象, 层级2, 层级3)]的索引访问格式，让pd.eval能正确解析多索引列。

修改后的完整代码：

import pandas as pd
from datetime import datetime

cols = pd.MultiIndex.from_tuples([(datetime(2020, 5, 17), "A1", "A"), 
                                  (datetime(2020, 5, 17), "B1", "B")])

data = [[5, 10], [2, 15], [6, 14]]
df = pd.DataFrame(data, columns=cols)

# 定义函数，将点格式的列字符串转换为loc索引访问格式
def format_multi_col(s):
    parts = s.split('.')
    dt_expr, level2, level3 = parts[0], parts[1], parts[2]
    return f"df.loc[:, ({dt_expr}, '{level2}', '{level3}')]"

lst = [5, '*', 'datetime(2020, 5, 17).A1.A']
# 生成合法的pd.eval查询语句
query = ''.join([format_multi_col(x) if (isinstance(x, str) and '.' in x) else str(x) for x in lst])

# 定义新列的第一层级key（需与实际需求匹配）
key = datetime(2020, 5, 17)
# 执行计算并赋值新列
df[(key, 'N1', 'N')] = pd.eval(query)

print(df)

解决方案2：直接处理元素计算（避免pd.eval） #

如果不需要使用pd.eval，可直接解析lst中的元素，用Python原生运算符完成计算，更安全直观：

import pandas as pd
from datetime import datetime
from operator import mul

cols = pd.MultiIndex.from_tuples([(datetime(2020, 5, 17), "A1", "A"), 
                                  (datetime(2020, 5, 17), "B1", "B")])

data = [[5, 10], [2, 15], [6, 14]]
df = pd.DataFrame(data, columns=cols)

lst = [5, '*', 'datetime(2020, 5, 17).A1.A']
# 映射运算符
op_map = {'*': mul}

# 处理lst中的每个元素
processed = []
for item in lst:
    if isinstance(item, str) and '.' in item:
        # 拆分多索引列信息
        dt_str, l2, l3 = item.split('.')
        # 解析datetime对象
        dt = eval(dt_str)
        # 获取对应的列
        processed.append(df[(dt, l2, l3)])
    else:
        processed.append(item)

# 执行计算
result = op_map[processed[1]](processed[0], processed[2])

key = datetime(2020, 5, 17)
df[(key, 'N1', 'N')] = result

print(df)

两种方案都能解决datetime层级多索引列的访问问题：方案2避免了pd.eval的潜在安全风险，适合简单计算场景；方案1保留了pd.eval的使用，适合复杂表达式场景。

内容的提问来源于stack exchange，提问作者Thanasis