query() 仅在大数据量（如百万行以上）且多动态条件时性能更优，小数据或简单条件反不如布尔索引；需注意空格列名用反引号、变量注入用@符号、and/or优先级高于&/|、in操作有长度限制及none处理缺陷。
query() 在复杂查询时确实更快、更清晰，但前提是数据量够大、条件够多、变量够动态——小数据或单条件反而可能拖慢速度。
query() 的性能优势只在特定规模才生效
底层用 numexpr 加速，对百万级行以上的 DataFrame 才明显快于布尔索引；10 万行以内，传统 df[mask1 & mask2] 往往更快。这不是 bug，是设计使然：numexpr 启动解析开销固定，小数据摊不上。
实际判断建议：
- 行数 query()
- 行数 > 20 万 且条件 ≥ 3 个 →
query()启动收益 - 含字符串比较（如
name.str.contains()）或正则 →query()无法直接调用这些方法，得回退到布尔索引
列名含空格、特殊字符或变量注入必须加反引号或 @ 符号
写 df.query('user name == "Alice"') 会报 KeyError: 'user' —— 因为空格被当成分隔符。正确写法是 df.query('`user name` == "Alice"')。
同理，动态传参不能拼字符串，否则有注入风险：
- ❌ 错误：
df.query(f'age > {min_age}') - ✅ 正确：
df.query('age > @min_age')（@min_age自动解析作用域内变量） - ⚠️ 注意：
@只认局部/全局变量，不认函数返回值或表达式，比如@max(val_list)会失败
and/or/&/| 的优先级和可读性差异很大
query() 支持英文关键字 and/or，也支持符号 &/|，但行为不同：
-
age > 18 and city == "北京"→ 可读性强，推荐用于人工维护场景 -
age > 18 & city == "北京"→ 实际执行等价于age > (18 & city) == "北京"，因&优先级高于>，必须加括号：(age > 18) & (city == "北京") - 混用（如
age > 18 and city == "北京" | vip == True）极易出错，逻辑歧义难调试
in / not in 和列表变量的边界情况
query() 支持 col in ["a", "b"]，但注意：
- 列表长度超过约 1000 项时，
query()解析变慢，不如先转成pd.Categorical或用isin() -
not in不支持None值判断，col not in [1, 2, None]会静默跳过None行，实际应拆成col not in [1, 2] and col.notna() - 想查“字段是否为空字符串”，不能写
text == ""，得用text.str.len() == 0→ 这种就得切回布尔索引
真正卡住人的从来不是语法，而是当你要把一个带函数调用、嵌套条件、动态参数、空值混合的筛选逻辑硬塞进字符串表达式时——query() 的边界就露出来了。这时候别硬扛，该换 loc 就换，该拆链式就拆链式。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
