很多时候，我有一个很大的数据框来保存基本数据，需要创建更多的列来保存由基本数据列计算的派生数据。
我可以在熊猫身上这样做，比如：
df['derivative_col1'] = df['basic_col1'] + df['basic_col2']
df['derivative_col2'] = df['basic_col1'] * df['basic_col2']
....
df['derivative_coln'] = func(list_of_basic_cols)
等等，pandas将同时计算和分配所有派生列的内存。
我现在想要的是有一个延迟的评估机制，将派生列的计算和内存分配推迟到实际需要的时候。在某种程度上，将lazy eval列定义为：
df['derivative_col1'] = pandas.lazy_eval(df['basic_col1'] + df['basic_col2'])
df['derivative_col2'] = pandas.lazy_eval(df['basic_col1'] * df['basic_col2'])
这将节省时间/内存，如python的“yield”生成器，因为如果我发出
df命令，则只会触发特定的计算和内存分配。那么在熊猫身上该怎么做呢？欢迎任何提示/想法/参考。
最佳答案
从0.13开始（很快发布），您可以这样做。这将使用生成器来评估动态公式。通过eval进行的在线分配将是0.13中的一个附加功能，请参见here
In [19]: df = DataFrame(randn(5, 2), columns=['a', 'b'])
In [20]: df
Out[20]:
a b
0 -1.949107 -0.763762
1 -0.382173 -0.970349
2 0.202116 0.094344
3 -1.225579 -0.447545
4 1.739508 -0.400829
In [21]: formulas = [ ('c','a+b'), ('d', 'a*c')]
创建生成器，使用
eval计算公式；分配结果，然后生成结果。In [22]: def lazy(x, formulas):
....: for col, f in formulas:
....: x[col] = x.eval(f)
....: yield x
....:
行动中
In [23]: gen = lazy(df,formulas)
In [24]: gen.next()
Out[24]:
a b c
0 -1.949107 -0.763762 -2.712869
1 -0.382173 -0.970349 -1.352522
2 0.202116 0.094344 0.296459
3 -1.225579 -0.447545 -1.673123
4 1.739508 -0.400829 1.338679
In [25]: gen.next()
Out[25]:
a b c d
0 -1.949107 -0.763762 -2.712869 5.287670
1 -0.382173 -0.970349 -1.352522 0.516897
2 0.202116 0.094344 0.296459 0.059919
3 -1.225579 -0.447545 -1.673123 2.050545
4 1.739508 -0.400829 1.338679 2.328644
因此，它的用户决定了评估的顺序（而不是按需）。理论上，
numba将支持这一点，因此熊猫可能会支持这一点作为eval的后端（目前使用numexpr进行即时评估）。我的2C。
懒惰的评估是很好的，但是可以通过使用Python自己的延续/生成特性很容易地实现，因此将它构建成熊猫（pandas）虽然可能，但相当复杂，并且需要一个非常好的用例才能普遍有用。