示例代码：

np.random.seed(0)
df1 = pd.DataFrame(np.random.choice(10, (5, 4)), columns=list('ABCD'))
df2 = pd.DataFrame(np.random.choice(10, (5, 4)), columns=list('ABCD'))
df3 = pd.DataFrame(np.random.choice(10, (5, 4)), columns=list('ABCD'))
df4 = pd.DataFrame(np.random.choice(10, (5, 4)), columns=list('ABCD'))

1、进行算术运算

pd.eval("df1.A + df2.A")   # 返回 pd.Series object
pd.eval("abs(df1) ** .5")  # 返回 pd.DataFrame object

2、进行比较

pd.eval("df1 > df2")        
pd.eval("df1 > 5")    
pd.eval("df1 < df2 and df3 < df4")      
pd.eval("df1 in [1, 2, 3]")
pd.eval("1 < 2 < 3")

3、复杂运算

pd.eval('df1.A * (df1.index > 1)')

4、解析器选择：parser=...参数

pd.eval解析表达式字符串以生成语法树时，支持两种不同的解析器选项：pandas和python。两者之间的主要区别通过稍有不同的优先级规则突出显示。

使用默认的解析器pandas，重载位运算符&和|它们实现矢量AND和OR与pandas对象的操作都会有相同的运算符优先级的and和or。

pd.eval("(df1 > df2) & (df3 < df4)")
pd.eval("df1 > df2 & df3 < df4")
# pd.eval("df1 > df2 & df3 < df4", parser='pandas')
pd.eval("df1 > df2 and df3 < df4")

括号是必须的，使用parens覆盖按位运算符的更高优先级：

(df1 > df2) & (df3 < df4)

parser='python'评估字符串时保持与python实际运算符优先级规则的一致：

pd.eval("(df1 > df2) & (df3 < df4)", parser='python')

5、后端选择：engine=...参数

有两个选项numexpr（默认）和python。该numexpr选项使用为性能优化的numexpr后端。

使用'python'后端，您对表达式的求值类似于将表达式传递给python的eval函数。您可以灵活地执行更多内部表达式，例如字符串操作。

df = pd.DataFrame({'A': ['abc', 'def', 'abacus']})
pd.eval('df.A.str.contains("ab")', engine='python')
0     True
1    False
2     True
Name: A, dtype: bool

注意：使用'python'，除非知道自己在做什么，否则通常不建议将此更改此选项。

相关文档：Python pandas.DataFrame.eval函数方法的使用

参考文档：https://stackoverflow.com/questions/53779986/dynamic-expression-evaluation-in-pandas-using-pd-eval