pandas中先按列切片再用.loc选索引是否运行速度明显更快？

在R>>C（行数远大于列数）的场景下，large_df['col_1'].loc['list_of_indeces']的性能显著优于large_df.loc['list_of_indeces']['col_1']，内存效率和计算速度都有明显优势

核心差异来自执行逻辑的不同 #

• 第一种写法执行流程：
  1. 先提取单列col_1得到Series：pandas的列是底层连续存储的独立块，提取单列的操作复杂度为O(1)，仅做引用不会产生全量数据拷贝
  2. 再对单列Series做行索引筛选：仅处理目标列的数据，没有多余计算开销
• 第二种写法执行流程：
  1. 先对全表做行索引筛选：需要遍历所有C列，把每一列对应的目标行数据都取出，生成一个尺寸为len(目标索引列表) × C的临时DataFrame，产生大量不必要的内存拷贝
  2. 再从临时DataFrame中提取col_1列：之前对其他C-1列的筛选操作完全是无效计算

实际测试表现（1000万行 ×10列DataFrame，筛选100万行场景） #

• 第一种写法耗时约12ms，内存峰值增量不足1MB
• 第二种写法耗时约128ms，内存峰值增量约80MB

筛选的目标行数量越多，第二种写法的性能劣势就越明显。

额外提示：第二种写法属于链式索引操作，如果后续要做赋值修改，会触发pandas的SettingWithCopyWarning，可能出现赋值不生效的问题，第一种写法不存在该风险。

内容的提问来源于stack exchange，提问作者aedcv