@和dot()是首选，因底层调用BLAS优化的矩阵乘法；二者自动索引对齐，但要求df.columns与other.index集合相等；追求极致性能可绕过Pandas用to_numpy()@to_numpy()。
直接用 df @ other 或 df.dot(other)，别写 for 循环、别用 apply、也别手动转成 Python 列表再算 —— 这三种方式在百万级数据上可能慢 100 倍以上。
为什么 @ 和 dot() 是首选
它们底层调用的是 BLAS（如 OpenBLAS 或 Intel MKL）优化的矩阵乘法，不是 Python 解释器一层层循环。只要输入是 DataFrame、Series 或 np.ndarray，且内存连续（df.to_numpy() 默认满足），就能触发高效路径。
-
@是 Python 3.5+ 的中缀操作符，语义清晰，推荐日常使用 -
dot()功能等价，但更显式，适合需要动态传参的场景（比如df.dot(get_matrix())） - 两者都自动对齐索引：如果
df.columns和other.index不一致，会先 reindex 再乘 —— 这既是便利也是隐患，下文会说
dot() 的兼容性陷阱：列名和索引必须对得上
常见错误是报 ValueError: matrices are not aligned，表面看是形状问题，实际多因标签不匹配。
-
df.dot(other)要求：df.columns必须与other.index完全相同（值和顺序无关，但集合必须相等） - 如果
other是Series，则df.columns必须等于other.index；结果是Series，索引来自df.index - 如果
other是DataFrame，则df.columns必须等于other.index，结果DataFrame的列名来自other.columns - 不想对齐？先用
df.values @ other.values绕过索引检查（但会丢失标签信息）
比 @ 还快的边界情况：纯 NumPy + 手动内存控制
当数据量极大（比如 >500 万 × 500 万）、内存吃紧或需复用中间数组时，绕过 Pandas 标签层能再省 10%~20% 时间。
- 用
df.to_numpy(dtype=np.float32)降精度（如果业务允许）可减半内存并提速 - 确保数组 C-contiguous：
arr = np.ascontiguousarray(df.to_numpy())，避免 BLAS 跳过优化 - 大矩阵分块乘法（
numpy.linalg.multi_dot或手动切片）可缓解 OOM，但逻辑变复杂 - 注意：
df.values在旧版 Pandas 可能返回object类型数组，务必加.to_numpy()
最常被忽略的一点：矩阵乘法前的索引对齐是隐式开销。如果你确定列/索引已对齐，又追求极致性能，df.to_numpy() @ other.to_numpy() 比 df @ other 稳定快一点 —— 但代价是放弃 Pandas 的自动广播和错误提示能力。
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！
