用途：为实施者提供 cuDF GPU DataFrame 的落地指导，把 pandas 代码转化为正确、快速的 GPU 代码。需理解 pandas 与自身数据，技能负责在最小摩擦下选择正确加速路径。
三条路径：一、cudf.pandas 加速器，适用于小改动、第三方 pandas 兼容或单一代码路径，未支持操作可回退 CPU；Jupyter 用 %load_ext cudf.pandas，脚本用 python -m cudf.pandas my_script.py，多进程需先 import cudf.pandas; cudf.pandas.install() 再创建 Pool。二、显式 cuDF API，适用于命名 DataFrame 迁移、ETL 热点、对语义一致性敏感的任务，可直接 cudf.read_parquet、groupby、merge、str 操作。三、dask-cuDF，用于数据超出 GPU 显存，配合 LocalCUDACluster(enable_cudf_spill=True) 与 Client。
关键约束：规模门槛约 100K 行，低于此值传输开销常盖过加速；转换只在边界做，中间 ETL 留在 GPU；float32 通常快于 float64；对 NULL 处理、join、时间序列、reshape、分组逻辑需保留小份 pandas 参照并比较形状、标签、空值数、顺序与代表性值；数据大于显存用 dask-cuDF 并开启 spill。
内存与排错：提前 cudf.set_option("spill", True)；可用 RMM 内存池。无加速多因数据太小或回退过多，可用 %%cudf.pandas.profile 检查。OOM 先开 spill，再考虑 dask-cuDF。AttributeError/NotImplementedError 可把该操作放在 CPU 窄边界。结果与 pandas 不一致常因 NULL 语义（cuDF 默认 <NA>）、排序默认不稳定（需 stable=True）或浮点非结合性，浮点差异无法完全消除。
版本要求：跟踪版本 26.04，CUDA 12 需 Volta 及以上，CUDA 13 需 Turing 及以上；26.04 支持 CUDA 12.2-12.9（驱动 535+）或 CUDA 13.0-13.1（驱动 580+），Python 3.11-3.14。其余平台与场景细节暂未提供。