我不知道熊猫是如何实现这一点的,但我确实根据经验进行了测试.我运行以下代码(在Jupyter笔记本中)来测试操作的速度：

def get_dummy_df(n):

return pd.DataFrame({'a': [1,2]*n, 'b': [4,5]*n, 'c': [7,8]*n})

df = get_dummy_df(100)

print df.shape

%timeit df_r = df[df.columns[::-1]]

df = get_dummy_df(1000)

print df.shape

%timeit df_r = df[df.columns[::-1]]

df = get_dummy_df(10000)

print df.shape

%timeit df_r = df[df.columns[::-1]]

df = get_dummy_df(100000)

print df.shape

%timeit df_r = df[df.columns[::-1]]

df = get_dummy_df(1000000)

print df.shape

%timeit df_r = df[df.columns[::-1]]

df = get_dummy_df(10000000)

print df.shape

%timeit df_r = df[df.columns[::-1]]

输出是：

(200, 3)

1000 loops, best of 3: 419 ?s per loop

(2000, 3)

1000 loops, best of 3: 425 ?s per loop

(20000, 3)

1000 loops, best of 3: 498 ?s per loop

(200000, 3)

100 loops, best of 3: 2.66 ms per loop

(2000000, 3)

10 loops, best of 3: 25.2 ms per loop

(20000000, 3)

1 loop, best of 3: 207 ms per loop

正如您所看到的,在前3种情况下,操作的开销大部分时间(400-500μs),但从第4种情况开始,开始时间与数据量成正比,增加每次都在一个数量级.

因此,假设必须与n成比例,似乎我们正在处理O(m * n)