在 pandas 中对 dataframe 列执行含多个标量的算术运算时，将标量部分预先计算为单一常量再与列相乘，比直接混合书写标量和 series 运算更高效——这源于避免了多次对整个 series 执行逐元素运算。
在 pandas 中对 dataframe 列执行含多个标量的算术运算时，将标量部分预先计算为单一常量再与列相乘，比直接混合书写标量和 series 运算更高效——这源于避免了多次对整个 series 执行逐元素运算。
Pandas 的向量化运算是其性能优势的核心，但这一优势仅在“一次对齐、一次计算”时发挥到极致。当表达式中混入多个标量（如 a, b, c, d, e, f）与 Series（如 df['val1']）时，Python 的运算符优先级和求值顺序会决定有多少次 Series 级别操作被触发，而这直接影响运行时开销。
以原始表达式为例：
df['val2'] = (a*b + c*d) * df['val1'] * e / f
表面上看是“先算括号内标量，再乘列，最后乘除标量”，但 Python 实际按左结合性逐步求值（* 和 / 优先级相同，从左到右）：
-
(a*b + c*d)→ 标量abcd -
abcd * df['val1']→ 对百万行 Series 执行一次逐元素乘法，生成新 Seriess_abcd -
s_abcd * e→ 再次对 Series 逐元素乘标量（广播） -
(s_abcd * e) / f→ 第三次逐元素除法
即：3 次 Series 级运算（2 次乘 + 1 次除），每次均需遍历全部元素、分配内存、处理 dtype 对齐等。
而预计算方案：
x = (a*b + c*d) * e / f # 纯标量计算，O(1) df['val2'] = df['val1'] * x # 仅 1 次 Series × 标量
全程只有 1 次 Series 级运算，其余均为瞬时标量计算，大幅减少内存访问与函数调用开销。
实测对比（100 万行 Series）：
import pandas as pd, numpy as np s = pd.Series(np.arange(1_000_000)) a = b = c = d = e = f = 2 x = (a*b + c*d) * e / f # = 8.0 %timeit x * s # → 1.14 ms（最优） %timeit (a*b+c*d)*s*e/f # → 3.45 ms（慢约 3×） %timeit s * ((a*b+c*d)*e/f) # → 1.21 ms（显式括号可优化，但仍略逊于预计算）
✅ 最佳实践建议：
- 所有不依赖 DataFrame/Series 的纯标量子表达式，务必提前计算并赋值给变量；
- 避免在向量化表达式中重复出现相同标量组合（如
k = a*b + c*d多次使用）； - 若逻辑复杂，可借助
@（矩阵乘）或np.where等明确控制计算粒度，但标量预计算永远是零成本的第一优化； - 注意：Pandas 不会自动重排或合并标量运算——它严格遵循 Python 表达式求值规则，无 JIT 或代数化简能力。
简言之：让标量归标量，Series 归 Series。一次对齐，一次计算，性能立现。
