我刚刚阅读了这些新发现的优化函数，并兴奋地流口水，以满足我的Pandas相关需求。根据这本书：
DataFrame.eval(( 方法允许使用列更简洁地计算表达式：
result3 = df.eval('(A + B) / (C - 1)')
np.allclose(result1, result3)
真
以我为例：
我的数据帧包含大约 42000 条记录和 28 列。其中两个是字符串Date和Heure。
我的目标是：将两列连接成一列。我可以很容易地用这段代码做到：df_exade_light["Date"]+df_exade_light["Heure"]，对其应用%timeit返回
每个环路 6.07 ms ± 219 μs(7 次运行的平均标准±值，每次 100 次循环(
但由于某种原因，df.eval('Date + Heure')返回一个：
递归错误：超出最大递归深度
更重要的是，我应用在此线程中找到的解决方案来提高允许的堆栈深度，但内核只是崩溃。
这是什么原因呢？我做错了什么吗？
可以使用以下代码重现该问题：
import pandas as pd
df = pd.DataFrame({'A': ['X','Y'],
'B': ['U','V']})
df.eval('A+B')
可复制示例中的问题是您有字符串。在你给出的关于高性能Pandas的链接中：eval((和query((，所有的例子都带有float(或int(。
使其与您的示例一起使用的一种方法是使用 python 作为引擎：
df.eval('A+B',engine='python')
默认情况下，eval中使用的引擎是根据文档'numexpr'的，并且此引擎使用同名的库NumExpr，它是 NumPy 的快速数值表达式计算器。尽管在上一个链接中，给出了一个带有字符串的示例，但它不是操作+。如果您这样做df.eval('A==B')它的工作原理与其他比较运算符相同，但不能df.eval('A+B').您可以在那里找到更多信息，但对于字符串，除了使用engine='python'之外，它似乎有限。
回到日期和时间类型的原始问题，不确定是否可以找到使用默认引擎的解决方案(有关支持的数据类型，请参阅此处(