用途：面向实现者提供 NVIDIA cuDF GPU DataFrame 的官方指导，帮助在保留 pandas 经验的前提下写出正确、快速的 GPU 代码。技能跟踪版本 26.04，适用环境为 CUDA 12 上 Volta 及更新、或 CUDA 13 上 Turing 及更新；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；数据量甜点区为超过 10 万行。
主要能力与路径：一是 cudf.pandas 加速器，适合最小改动与第三方 pandas 兼容，可在不支持操作上静默回退。Notebook 用法 %load_ext cudf.pandas 后 import pandas as pd；脚本用法 python -m cudf.pandas my_script.py；多进程需先 import cudf.pandas 并调用 cudf.pandas.install()，且必须在导入 pandas 与创建 Pool 之前。二是显式 cuDF API，适合迁移、热点 ETL 与语义对齐，import cudf 后可用 read_parquet、groupby、merge、布尔过滤、str 方法等，转换仅放在边界（.to_pandas()、.values、.numpy()），中间数据留在 GPU。三是 dask-cuDF，用于超出 GPU 显存的数据，配合 enable_cudf_spill=True 与 LocalCUDACluster。
内存与限制：建议提前用 cudf.set_option("spill", True) 开启溢出，RMM 池分配器需在任何 cuDF 操作前设置；显存空闲大于两倍数据用单卡，1-2 倍加 spill，超过显存用 dask-cuDF，超过节点内存见多节点技能。
语义注意：cuDF 默认使用 <NA> 可空类型，pandas 用 NaN；排序默认不保证稳定，除非 stable=True；浮点结果差异源于非结合性，无法完全消除。遇到无加速、OOM、AttributeError/NotImplementedError 或结果不一致时，建议用剖析器定位回退、在窄边界保留 CPU 路径，并用小规模 pandas 参考对比形状、标签、空值计数、顺序与代表性值。相关参考文件包括 cudf-pandas-accelerator.md、api-patterns.md、dask-cudf-patterns.md，外部文档见 https://docs.rapids.ai/api/cudf/stable/ 与 https://github.com/rapidsai/cudf。