方法1：在我的机器上还不错（已numexpr禁用）
In [41]: from pandas.core import expressions as expr
In [42]: expr.set_use_numexpr(False)
In [43]: %timeit df1+df2+df3+df4
1 loops, best of 3: 349 ms per loop
方法2：使用numexpr（如果numexpr已安装，默认情况下启用）
In [44]: expr.set_use_numexpr(True)
In [45]: %timeit df1+df2+df3+df4
10 loops, best of 3: 173 ms per loop
方法3：直接使用 numexpr
In [34]: import numexpr as ne
In [46]: %timeit DataFrame(ne.evaluate('df1+df2+df3+df4'),columns=df1.columns,index=df1.index,dtype='float32')
10 loops, best of 3: 47.7 ms per loop
这些加速是通过以下方式实现的numexpr：
正如我在上面暗示的那样，pandasnumexpr在某些特定类型的操作（例如0.11）下在后台使用，例如df1 + df2将以这种方式进行评估，但是您在此处给出的示例将导致多次调用numexpr（方法2比方法1快） ）。使用直接方法（方法3）ne.evaluate(...)可以实现更大的加速。
请注意，在熊猫0.13（本周将发布0.12）中，我们实现了一个函数pd.eval，该函数实际上将执行上述示例中的操作。敬请期待（如果您喜欢冒险，它将很快成为大师：https ://github.com/pydata/pandas/pull/4037）
In [5]: %timeit pd.eval('df1+df2+df3+df4')
10 loops, best of 3: 50.9 ms per loop
最后回答您的问题，cython将完全没有帮助；numexpr在这类问题上非常有效（也就是说，在 某些 情况下，cython很有帮助）
一个警告：为了使用直接的Numexpr方法，帧应该已经对齐（Numexpr在numpy数组上运行，并且对索引一无所知）。而且它们应该是单个dtype
602392714
清零编程群