本文介绍一种高性能方法，将含变量的字符串表达式 series（如 `”a + b”`）结合变量值字典，通过前向填充（ffill）和安全变量替换后逐行 `eval`，最终生成数值结果 series，适用于大规模（200+）序列批量计算。
在实际数据分析中，常需将符号化表达式（如 “A + B – C”）与对应时间序列变量动态绑定并逐行求值。核心挑战在于：既要支持表达式随时间变化（如 2025 年用 “A+B”，2027 年切换为 “A+B−C”），又要自动沿用最近有效表达式（ffill），同时高效注入对应索引位置的变量值。
以下为完整、可复用的解决方案：
✅ 步骤解析与优化实现
- 对齐索引并前向填充表达式：将原始 equations Series 重置索引后调用 .ffill()，确保每行拥有当前有效的表达式；
- 构建统一 DataFrame：用 pd.concat() 合并填充后的表达式列与变量值 DataFrame（由 pd.DataFrame(values) 构建）；
- 安全变量替换：使用正则 re.sub(r'([A-Z]+)’, r”r[‘1’]”, expr) 将表达式中的变量名（如 A）转为 r[‘A’] 形式，使其可在 apply 的 Lambda 中被 eval 安全解析；
- 逐行求值：df.apply(lambda r: eval(…), axis=1) 利用 pandas 行对象 r 直接访问各列值，避免手动映射。
import pandas as pd import re # 示例数据 equations = pd.Series(['A + B', None, 'A + B - C', None, None, '101.2'], index=range(2025, 2031)) values = { "A": pd.Series([10, 20, 30, 40, 50], index=range(2025, 2030)), "B": pd.Series([1, 2, 3, 4, 5], index=range(2025, 2030)), "C": pd.Series([1.1, 2.2, 3.3, 4.4, 5.5], index=range(2025, 2030)), "D": pd.Series([1, 3, 2, 4, 0], index=range(2025, 2030)) } # 构建计算 DataFrame（自动对齐索引） df_eq = equations.reset_index(name='Equation').ffill() df_vals = pd.DataFrame(values) df = pd.concat([df_eq, df_vals], axis=1) # 安全变量替换 + 逐行 eval df['Result'] = df.apply( lambda r: eval(re.sub(r'([A-Z]+)', r"r['1']", str(r['Equation']))), axis=1 ) # 提取最终结果 Series（保留原始索引） result_series = df.set_index('index')['Result'] print(result_series)输出：
index 2025 11.0 2026 22.0 2027 29.7 2028 39.6 2029 49.5 2030 101.2 Name: Result, dtype: float64⚠️ 注意事项与性能建议
- 安全性：eval() 在可信数据环境下高效，但切勿用于用户输入的表达式；若需更高安全性，可改用 ast.literal_eval（仅支持字面量）或预编译表达式（如 numexpr）；
- 缺失值处理：pd.DataFrame(values) 会自动用 NaN 填充缺失索引，eval 可正常处理（如 r[‘A’] 为 NaN 时结果也为 NaN）；
- 性能优化：对 200+ Series 批量处理时，建议将逻辑封装为函数，并利用 df.assign() 链式调用减少中间变量；若表达式复杂度高，可考虑 numexpr.evaluate() 替代 eval（需先构造表达式字符串并传入变量字典）；
- 索引一致性：确保 equations.index 与所有 values 中 Series 的索引范围一致（或至少覆盖交集），否则 concat 会引入 NaN 并影响计算逻辑。
该方案兼顾可读性、健壮性与执行效率，是处理“动态公式 + 时间序列变量”类问题的推荐实践。