如何将字符串形式的赋值语句转换为实际可执行的赋值操作

你读取txt得到条件字符串列表后，可以用exec()执行动态赋值逻辑，建议用独立命名空间接收生成的条件变量，避免污染全局变量环境：

# 假设df是你预先加载好的目标DataFrame
# 以下是读取txt+执行赋值的完整示例
# with open("df_filter_conds.txt", "r", encoding="utf-8") as f:
#     # 过滤掉空行
#     cond_lines = [line.strip() for line in f if line.strip()]

# 这里用你给出的读取结果做测试
cond_lines = ["cond1 = (df['A'] == 1)", "cond2 = (df['B'] >= 50)"]

# 初始化独立命名空间，传入df作为执行上下文
cond_space = {}
for line in cond_lines:
    exec(line, {"df": df}, cond_space)

# 后续直接从命名空间取出对应条件使用即可
cond1 = cond_space["cond1"]
cond2 = cond_space["cond2"]

# 筛选示例
# final_df = df[cond1 & cond2]

注意：exec()会无差别执行传入的所有Python代码，如果规则文件被恶意篡改写入文件删除、数据窃取类逻辑，会直接触发安全风险，该方案仅适合规则文件完全由你个人管控的场景。

相比直接存Python代码执行，以下两种方案可维护性、安全性更高：

• 结构化配置文件存储规则
  用JSON/YAML这类通用结构化格式存筛选规则，不需要执行动态代码，从根源上避免代码注入风险，不懂Python的人员也可以按格式调整规则。
  比如配置文件filter_conds.json内容如下：

  {
    "cond1": {"column": "A", "operator": "eq", "value": 1},
    "cond2": {"column": "B", "operator": "ge", "value": 50}
  }
  

  写固定的解析逻辑映射操作符即可生成筛选条件：

  import json
  
  # 预设支持的操作符映射，可根据需求扩展
  op_map = {
      "eq": lambda s, v: s == v,
      "ne": lambda s, v: s != v,
      "gt": lambda s, v: s > v,
      "ge": lambda s, v: s >= v,
      "lt": lambda s, v: s < v,
      "le": lambda s, v: s <= v,
      "in": lambda s, v: s.isin(v),
      "str_contains": lambda s, v: s.str.contains(v, na=False)
  }
  
  with open("filter_conds.json", "r", encoding="utf-8") as f:
      rule_config = json.load(f)
  
  cond_dict = {}
  for cond_name, rule in rule_config.items():
      col_series = df[rule["column"]]
      cond_dict[cond_name] = op_map[rule["operator"]](col_series, rule["value"])
  
  # 直接通过cond_dict["cond1"]、cond_dict["cond2"]取条件使用
  

• 用pandas.query方法存表达式
  如果不需要单独拆分每个条件变量，可以直接把完整筛选表达式存在txt中，用pandas内置的query()方法执行，该方法对执行的表达式做了安全限制，比直接exec安全，写法也更简洁。
  比如txt中直接存筛选逻辑：A == 1 and B >= 50，读取后直接执行筛选：

  with open("filter_expr.txt", "r", encoding="utf-8") as f:
      filter_expr = f.read().strip()
  final_df = df.query(filter_expr)
  

内容的提问来源于stack exchange，提问作者python_interest