query() 比布尔索引更干净，因其支持字符串条件表达式，避免嵌套括号和重复写 df，提升可读性；支持 @ 引用外部变量，安全且简洁；但不支持点号列名、Python 关键字（需反引号）、自定义函数或复杂方法调用。
query() 为什么比布尔索引更干净？
因为 query() 允许用字符串写条件，避免嵌套括号和重复写 df，尤其当条件超过 3 个、涉及列名含空格或特殊字符时，可读性提升明显。比如 df[(df['age'] > 25) & (df['city'] == 'Beijing') & (df['salary'] >= 15000)] 改成 df.query("age > 25 and city == 'Beijing' and salary >= 15000")，一眼能看清逻辑关系。
但要注意：字符串里的列名不能带点号（如 df.user.name）、不能是 Python 关键字（如 class、def），否则必须用反引号包裹，例如 df.query("`class` == 'A'")。
如何在 query() 中引用外部变量？
用 @ 符号前缀，直接引用当前作用域的变量，不用格式化字符串拼接，也避免 SQL 注入风险。比如：
min_age = 25
city_list = ['Beijing', 'Shanghai']
df.query("age >= @min_age and city in @city_list")
常见错误是漏掉 @，导致报错 NameError: name 'min_age' is not defined；或者误把列表写成字符串 "['Beijing', 'Shanghai']"，结果匹配失败。
支持的外部变量类型包括：数字、字符串、列表、元组、NumPy 标量（如 np.int64），但不支持字典或自定义对象。
query() 对性能的影响有多大？
对中等规模数据（query() 和布尔索引速度基本一致；但在大表上，query() 默认启用 numexpr 引擎，能自动做表达式优化和多线程计算，实际可能快 10%–30%。可通过 engine='python' 切回纯 Python 解析（调试时有用），但会变慢。
需要注意的坑：
- 如果列名含空格或连字符（如
'user-id'），必须用反引号：df.query("`user-id` > 100") -
query()不支持链式调用中的赋值操作（比如df.query(...).assign(...)没问题，但df.query("x = y")是语法错误——它只做筛选，不支持赋值） - NaN 值默认被排除，且
None和NaN在字符串表达式中不等价，建议显式写col == 'value' or col.isnull()这类逻辑时改用布尔索引
哪些场景下必须放弃 query()？
当你需要动态生成列名、调用自定义函数、或条件依赖运行时计算结果时，query() 就力不从心了。比如：
- 列名来自变量：
col_name = 'score'; df[df[col_name] > 80]——query()无法直接插变量名，得用f"{col_name} > 80"拼接，失去安全性和可读性 - 要用
str.contains()或dt.month这类方法：df.query("name.str.contains('John')")会报错，只能写成df[df['name'].str.contains('John')] - 条件里要调用自定义函数：
def is_valid(x): return x % 2 == 0，query()无法识别该函数，布尔索引配合.apply()才可行
真正省事的前提是：条件全是字段比较、常量、简单运算，且列名规整。一碰复杂逻辑，就该切回原生布尔索引，别硬套 query()。
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！
