Существуют ли различия в производительности/рекомендуется ли использовать атрибуты фрейма данных pandas при ссылке на столбцы?

Между двумя нотациями нет разницы в производительности:

• df.blue использует __getattr__ для поиска в правом столбце
• df['blue'] использует __getitem__ для поиска нужного столбца (или индекса)

У вас должен быть действительный идентификатор Python, если вы хотите использовать первую форму, и вы не можете использовать имя столбца, такое как shape, size, values и так далее.

Вторая форма более явная и используется LocIndexer. Это позволяет вам использовать имя столбца, например 2022 или Energy (KWH). Я явно предпочитаю это обозначение.

Если производительность имеет значение, не используйте where или аналогичную дорогостоящую функцию. Классическая маска подойдет. Использование timeit может дать вам представление о затратах времени:

import pandas as pd
import numpy as np
n = 100
df = pd.DataFrame({'yellow' : np.random.randint(0, 2, n),
                   'blue' : np.random.randint(0, 2, n)}, dtype = np.bool8)

%timeit np.where((df['blue']==True) & (df['yellow']==True), True, False)
252 µs ± 17.3 µs per loop (mean ± std. dev. of 7 runs, 1,000 loops each)

%timeit np.where((df.blue==True) & (df.yellow == True), True, False)
245 µs ± 3.06 µs per loop (mean ± std. dev. of 7 runs, 1,000 loops each)

%timeit df['blue'] & df['yellow']
72.1 µs ± 4.6 µs per loop (mean ± std. dev. of 7 runs, 10,000 loops each)

%timeit df.blue & df.yellow
77.1 µs ± 1.75 µs per loop (mean ± std. dev. of 7 runs, 10,000 loops each)

С точки зрения производительности это вполне эквивалентно, и статически вы не можете различить два подхода. На самом деле, в дорогостоящей реализации (например, где) реальное узкое место не в том, как получить доступ к элементу.

Что касается синтаксиса, я предпочитаю использовать .loc или .iloc для доступа к элементам, так как я нахожу его более «пандовым», но это полностью на ваше усмотрение.