能否在pandas中结合eval与rolling()使用？三种列赋值方式性能有何差异？

能否通过eval实现滚动窗口原地赋值 #

不能。pandas的df.eval()方法仅支持解析基础算术运算、列引用、少量内置函数组成的表达式，不支持rolling这类DataFrame方法的链式调用，你示例中的滚动求和逻辑无法直接写在eval的表达式字符串中完成执行，因此没法通过eval实现该需求。如果强行要结合eval实现，也需要先在外层计算好rolling的结果再传入表达式，本质和直接赋值没有区别，完全没有必要。

三种列赋值方式的性能差异 #

直接赋值 df['some_column_name'] = ... #

• 运行速度：三者中最快。属于原地修改操作，没有额外的对象复制开销（2.0及以上版本Pandas若开启Copy-on-Write配置，首次修改会触发一次复制，除此之外无额外开销），适配所有赋值场景，没有语法限制。
• 内存占用：最低。原地修改模式下几乎不会产生额外内存开销，仅会申请新增列本身需要的内存空间。

assign方法 df.assign(new_col=...) #

• 运行速度：慢于直接赋值。assign方法默认会生成原DataFrame的完整副本，在副本上完成新列添加后再返回，多了全量数据复制的开销，数据集越大，和直接赋值的速度差距越明显。
• 内存占用：高于直接赋值。执行过程中需要同时存储原DataFrame和新生成的副本，峰值内存占用约为原DataFrame的两倍，副本返回后原对象如果没有其他引用会被垃圾回收，内存会逐步释放。

eval赋值 df.eval('new_col = 表达式', inplace=True) #

• 运行速度：性能表现分场景：如果是多列的简单算术运算（比如加减乘除、基础聚合计算），eval底层会调用numexpr做并行优化，避免中间临时对象生成，运算量越大性能优势越明显，甚至会快于直接赋值；如果是复杂逻辑、或者eval不支持的运算，表达式解析的额外开销会让它比直接赋值慢很多，而且很多复杂逻辑本身就不支持用eval实现。
• 内存占用：在支持的运算场景下最低。numexpr会采用分块运算的逻辑，不需要生成完整的中间数组，适合处理内存吃紧的大数据集简单运算。

内容的提问来源于stack exchange，提问作者NMech