Python多条件筛选技巧：Pandas布尔索引教程

本文深入解析了Pandas中多条件数据筛选的实战要点与高频陷阱：强调必须使用`&`、`|`、`~`替代Python原生`and/or/not`，且每个条件务必用括号包裹，否则因运算符优先级导致逻辑错误或报错；详解缺失值判断应严格使用`isna()`/`notna()`而非`== np.nan`，并指出字符串列需预处理转数值再比较；同时推荐`query()`方法提升复杂条件可读性与性能，并提醒类型转换、大小写敏感、空格处理等易忽略细节——掌握这三大“致命坑”（括号缺失、误用逻辑符、NaN误判），才能写出稳定高效的数据筛选代码。

用 df[condition1 & condition2] 做多条件筛选，别用 and

直接用 Python 的 and 会报 ValueError: The truth value of a Series is ambiguous —— 因为 Pandas 的布尔序列不能当单个布尔值用。&（位与）才是正确操作符，它逐元素计算，返回同样长度的布尔 Series。

常见错误现象：写成 df[df.a > 1 and df.b == 'x']，一运行就崩；或者误用 and / or / not，全都不行。

• 必须用 &、|、~，且每个条件**必须用括号包住**（运算符优先级高，不加括号会出错）
• df[(df.age > 25) & (df.city == 'Beijing') & (df.salary >= 8000)] 是安全写法；df[df.age > 25 & df.city == 'Beijing'] 会先算 25 & df.city，直接报错
• 字符串比较注意大小写和空格：df.name.str.contains('abc') 比 df.name == 'abc' 更常用，但默认区分大小写

处理缺失值时，isna() 和 notna() 比 == None 或 != np.nan 可靠

NaN 在 Pandas 里不等于任何值，包括它自己。所以 df.col == np.nan 全是 False，df.col != np.nan 也全是 True —— 完全不可用。

• 查缺失：用 df[df.col.isna()] 或 df[df.col.isnull()]（二者等价）
• 查非缺失：用 df[df.col.notna()]，别写 df[df.col != np.nan] 或 df[~(df.col.isna())]（后者虽能用，但多一层否定，易读性差）
• 多条件组合时，缺失判断要和其他条件用 & 连接，比如：df[(df.score > 60) & df.name.notna()]

用 query() 写复杂条件更简洁，但要注意变量注入和性能差异

df.query("age > 25 and city in ['Beijing', 'Shanghai']") 比链式布尔索引少写一堆 df. 和括号，尤其适合动态条件或长表达式。

• 想用外部变量？加 @ 前缀：min_score = 60; df.query("score > @min_score")，不加 @ 就当成列名找
• 列名含空格或特殊字符，用反引号：df.query("`user id` > 100")
• 性能上，query() 底层用 numexpr，大数据量（千万行以上）可能比布尔索引快；但小数据（几万行内）差别不大，且 query() 不支持所有 Pandas 表达式（比如不能调用自定义函数）

字符串+数值混合条件容易漏掉类型转换，astype() 要提前做

比如从 CSV 读入的数字列被当成了字符串（常见于有空值或单位符号的列），df[df.price > 100] 会静默失败或报错 TypeError: '>' not supported between instances of 'str' and 'int'。

• 先检查类型：df.price.dtype，如果是 object，大概率是字符串
• 转数值前先清理：df.price.str.replace('¥', '').str.strip().astype(float)，别直接 astype(float)，否则遇到 'N/A' 就崩
• 稳妥做法：用 pd.to_numeric(df.price, errors='coerce')，把非法值变 NaN，再配合 notna() 过滤

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于文章的相关知识，也可关注golang学习网公众号。