本文介绍一种高性能方法，将含变量名的表达式 series（如 `"a + b"`）与对应变量值字典结合，通过前向填充和安全表达式求值，逐行计算出结果 series。适用于大规模（200+ series）场景，兼顾可读性与执行效率。
在金融建模、时间序列推演或规则引擎等场景中，常需根据动态定义的公式（如 "A + B - C"）对齐时间索引并逐行计算结果。核心挑战在于：公式稀疏不连续、变量值以独立 Series 存储、需自动继承上一行有效公式、且整体性能敏感。
以下为推荐实现方案，关键步骤包括：
- 公式前向填充（ffill）：确保每行都拥有待执行的完整表达式；
- 构建统一 DataFrame：将公式列与所有变量 Series 横向拼接，对齐索引；
- 安全表达式重写与求值：用正则将 A → r['A']，使 eval() 可直接访问当前行数据；
- 逐行应用 apply()：避免 Python 循环，利用 Pandas 底层优化。
✅ 完整示例代码：
import pandas as pd
import re
# 输入：公式 Series（索引为年份）
eqns = pd.Series(['A + B', None, 'A + B - C', None, None, '101.2'],
index=range(2025, 2031))
# 输入：变量值字典（各 Series 索引对齐，长度 ≥ 公式长度）
values = {
"A": pd.Series([10, 20, 30, 40, 50], index=range(2025, 2030)),
"B": pd.Series([1, 2, 3, 4, 5], index=range(2025, 2030)),
"C": pd.Series([1.1, 2.2, 3.3, 4.4, 5.5], index=range(2025, 2030)),
"D": pd.Series([1, 3, 2, 4, 0], index=range(2025, 2030))
}
# 步骤 1 & 2：公式前向填充 + 合并变量数据
df = pd.concat([
eqns.reset_index(name='Equation').ffill(), # 生成带 index 和 Equation 列的 DataFrame
pd.DataFrame(values) # 自动对齐索引（缺失值补 NaN）
], axis=1)
# 步骤 3 & 4：安全重写表达式并逐行求值
df['Result'] = df.apply(
lambda r: eval(re.sub(r'([A-Za-z_]\w*)', r"r['\1']", r['Equation'])),
axis=1
)
# 提取最终结果 Series（保留原始索引，仅 Result 列）
result_series = df.set_index('index')['Result']
print(result_series)
? 输出结果：
Python 环境工具专业版
下载
Python 环境工具专业版功能概述Python 环境工具专业版是一项面向实际任务的技能。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。核心要点使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景，可作为自动化工作流的一部分，也便于后续检查、调整和扩展。执行完成后建议检查结果是否符合预期，并保留必要记录。使用与执行同时注意输入完整性、执行条件和输出可用性。从功能定位来看，该技能
index 2025 11.0 2026 22.0 2027 29.7 2028 39.6 2029 49.5 2030 101.2 dtype: float64
⚠️ 重要注意事项：
- 安全性：eval() 在受控环境（公式来源可信）下可用；若公式来自用户输入，请改用 ast.literal_eval 或专用表达式库（如 numexpr 或 simpleeval）；
- 性能优化：对 200+ Series 批量处理时，建议将全部公式与变量一次性构建成大 DataFrame，避免重复 apply；
- 索引对齐：务必确保 values 中各 Series 的索引与 eqns.index 覆盖范围一致（推荐显式指定 index=），否则 pd.concat 可能引入意外 NaN；
- 数字类型兼容性：eval() 返回 Python 原生类型，Pandas 会自动转为 float64；如需保持整数精度，可在最后调用 .astype("Int64")（支持 NaN 的整数类型）。
该方案在千级数据规模下实测耗时
