如果DataFrame非常大，上述方法会占用大量内存，有没有更高效的方式？

如果处理的DataFrame非常大，逐行操作确实可能导致内存消耗过大。在这种情况下，可以考虑采用以下几种更高效的方式来计算：

1. **分块（Chunking）处理**：Pandas提供了一个`dask DataFrame`模块，它可以像`pandas`一样工作，但底层使用分布式计算，能有效管理大型数据集。通过`dask.dataframe.from_pandas(df, npartitions=n)`创建分片的`dask DataFrame`，然后对每个分区进行计算。

from dask import dataframe as dd

ddf = dd.from_pandas(df, npartitions=5)
result = ddf.apply(process_data, meta=(..., (new_val1_name, float)), chunksize="1MB")
final_result = result.compute()

2. **延迟计算（Lazy Evaluation）**：对于那些不需要立即计算出结果的操作，可以使用`eval`或`query`来构建表达式，只在需要时才计算。例如，使用`query`语法：

new_df = df.query("new_val1 = @col1 + @col2 * @col3 - @col4")

3. **内存映射文件（Memory-Mapped File）**：如果你的数据存储在磁盘上，可以使用`pandas.read_csv(..., engine='memmap')`创建内存映射文件，它允许你在不完全加载整个DataFrame的情况下进行操作。

注意，在选择哪种方法时，你应该考虑到数据访问模式、计算需求以及硬件资源（如CPU核心数、内存大小）。同时，确保在处理大型数据集时，尽量减少中间结果的存储。