用于Pandas中布尔索引的逻辑运算符

Question

用于Pandas中布尔索引的逻辑运算符

我正在处理Pandas中的布尔索引。问题是为什么声明：

a[(a['some_column']==some_number) & (a['some_other_column']==some_other_number)]

工作得很好

a[(a['some_column']==some_number) and (a['some_other_column']==some_other_number)]

错误退出？

例子：

a=pd.DataFrame({'x':[1,1],'y':[10,20]})In: a[(a['x']==1)&(a['y']==10)]Out:    x   y  
   0  1  10In: a[(a['x']==1) and (a['y']==10)]Out: ValueError: The truth value of an array with more than one element is ambiguous.   
     Use a.any() or a.all()

Answer 1

当你说(a['x']==1) and (a['y']==10)您正在隐式地要求Python进行转换。(a['x']==1)和(a['y']==10)布尔值。NumPy数组(长度大于1)和Pandas对象(如Series)没有布尔值-换句话说，它们引发ValueError: The truth value of an array is ambiguous. Use a.empty, a.any() or a.all().当用作布尔值时。那是因为不清楚什么时候应该是对的还是错的..一些用户可能会假设他们是真实的，如果他们有非零的长度，如Python列表。其他人可能希望它是真实的，只有在全它的元素是真实的。其他人可能希望它是真实的，如果任何其中的元素是真实的。因为有这么多相互冲突的期望，NumPy和Pandas的设计者拒绝猜测，而是提出了一个价值错误。相反，您必须显式地调用empty(), all()或any()方法来指示您想要的行为。但是，在这种情况下，看起来不需要布尔值，而是需要元素级合乎逻辑-还有。这就是&二进制运算符执行：(a['x']==1) & (a['y']==10)返回布尔数组。顺便说一下，列支钞票，括号是强制性的，因为&有更高的运算符优先比==..如果没有括号，a['x']==1 & a['y']==10将被评估为a['x'] == (1 & a['y']) == 10而这又相当于链式比较(a['x'] == (1 & a['y'])) and ((1 & a['y']) == 10)..这是表单的表达式。Series and Series..使用and用两个系列赛会再次触发相同的ValueError如上段所述。这就是为什么括号是强制性的。

Answer 2

Pandas中的逻辑运算符是&,&nbsp;|和~，和括号(...)很重要！Python的and,&nbsp;or和not逻辑运算符设计用于处理标量。因此，Pandas必须做得更好，并重写按位运算符来实现。矢量化(就元素而言)此功能的版本。下面是python中的内容(exp1和exp2是计算为布尔结果的表达式).。exp1&nbsp;and&nbsp;exp2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;#&nbsp;Logical&nbsp;ANDexp1&nbsp;or&nbsp;exp2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;#&nbsp;Logical&nbsp;ORnot&nbsp;exp1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;#&nbsp;Logical&nbsp;NOT.会翻译成.exp1&nbsp;&&nbsp;exp2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;#&nbsp;Element-wise&nbsp;logical&nbsp;ANDexp1&nbsp;|&nbsp;exp2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;#&nbsp;Element-wise&nbsp;logical&nbsp;OR~exp1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;#&nbsp;Element-wise&nbsp;logical&nbsp;NOT为了熊猫。如果在执行逻辑操作的过程中，您将得到一个ValueError，则需要使用括号进行分组：(exp1)&nbsp;op&nbsp;(exp2)例如,(df['col1']&nbsp;==&nbsp;x)&nbsp;&&nbsp;(df['col2']&nbsp;==&nbsp;y)诸若此类。布尔索引一个常见的操作是通过逻辑条件计算布尔掩码来过滤数据。熊猫提供三操作员：&合乎逻辑，|用于逻辑或，以及~逻辑上没有。考虑以下设置：np.random.seed(0)df&nbsp;=&nbsp;pd.DataFrame(np.random.choice(10,&nbsp;(5,&nbsp;3)),&nbsp;columns=list('ABC'))df &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C0&nbsp;&nbsp;5&nbsp;&nbsp;0&nbsp;&nbsp;31&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;92&nbsp;&nbsp;3&nbsp;&nbsp;5&nbsp;&nbsp;23&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;64&nbsp;&nbsp;8&nbsp;&nbsp;8&nbsp;&nbsp;1逻辑与为df上面，假设您想返回A<5和B>5的所有行。这是通过分别计算每个条件的掩码来完成的，并对它们进行处理。重载位&操作者在继续之前，请注意以下特定的文档摘录：另一个常见操作是使用布尔向量过滤数据。营办商包括：|为or,&nbsp;&为and，和~为not.&nbsp;必须使用括号对它们进行分组。，因为默认情况下Python将计算一个表达式，如df.A > 2 & df.B < 3如df.A > (2 & &nbsp;df.B) < 3，而所需的评估顺序是(df.A > 2) & (df.B < &nbsp;3).因此，考虑到这一点，元素分逻辑，可以用位运算符实现。&:df['A']&nbsp;<&nbsp;50&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;FalseName:&nbsp;A,&nbsp;dtype:&nbsp;bool df['B']&nbsp;>&nbsp;50&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;False3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;TrueName:&nbsp;B,&nbsp;dtype:&nbsp;bool(df['A']&nbsp;<&nbsp;5)&nbsp;&&nbsp;(df['B']&nbsp;>&nbsp;5)0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;False3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;Falsedtype:&nbsp;bool接下来的过滤步骤很简单，df[(df['A']&nbsp;<&nbsp;5)&nbsp;&&nbsp;(df['B']&nbsp;>&nbsp;5)] &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C1&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;93&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;6圆括号用于覆盖按位运算符的默认优先顺序，后者比条件运算符具有更高的优先级。<和>..见算子优先在蟒蛇的文档里。如果不使用括号，则将错误地计算表达式。例如，如果您意外地尝试了诸如df['A']&nbsp;<&nbsp;5&nbsp;&&nbsp;df['B']&nbsp;>&nbsp;5它被解析为df['A']&nbsp;<&nbsp;(5&nbsp;&&nbsp;df['B'])&nbsp;>&nbsp;5变成，df['A']&nbsp;<&nbsp;something_you_dont_want&nbsp;>&nbsp;5(请参阅python文档)链式算子比较),(df['A']&nbsp;<&nbsp;something_you_dont_want)&nbsp;and&nbsp;(something_you_dont_want&nbsp;>&nbsp;5)变成，#&nbsp;Both&nbsp;operands&nbsp;are&nbsp;Series...something_else_you_dont_want1&nbsp;and&nbsp;something_else_you_dont_want2抛出ValueError:&nbsp;The&nbsp;truth&nbsp;value&nbsp;of&nbsp;a&nbsp;Series&nbsp;is&nbsp;ambiguous.&nbsp;Use&nbsp;a.empty,&nbsp;a.bool(),&nbsp;a.item(),&nbsp;a.any()&nbsp;or&nbsp;a.all().所以，别犯那个错误！1避免部分分组解决办法其实很简单。大多数操作符都有相应的DataFrame绑定方法。如果单个掩码是使用函数而不是条件运算符构建的，则不再需要按父母分组来指定计算顺序：df['A'].lt(5)0&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;FalseName:&nbsp;A,&nbsp;dtype:&nbsp;bool df['B'].gt(5)0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;False3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;TrueName:&nbsp;B,&nbsp;dtype:&nbsp;booldf['A'].lt(5)&nbsp;&&nbsp;df['B'].gt(5)0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;False3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;Falsedtype:&nbsp;bool见灵活的比较。..总之，我们有╒════╤════════════╤════════════╕│&nbsp;&nbsp;&nbsp;&nbsp;│&nbsp;Operator&nbsp;&nbsp;&nbsp;│&nbsp;Function&nbsp;&nbsp;&nbsp;│╞════╪═══════════ ═╪════════════╡│&nbsp;&nbsp;0&nbsp;│&nbsp;>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│&nbsp;gt&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│├────┼────────────┼──────────── ┤│&nbsp;&nbsp;1&nbsp;│&nbsp;>=&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│&nbsp;ge&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│├────┼────────────┼────────────┤│&nbsp;&nbsp;2&nbsp;│&nbsp;<&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│ &nbsp;lt&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│├────┼────────────┼────────────┤│&nbsp;&nbsp;3&nbsp;│&nbsp;<=&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│&nbsp;le&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│├────┼ &nbsp;────────────┼────────────┤│&nbsp;&nbsp;4&nbsp;│&nbsp;==&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│&nbsp;eq&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│├────┼────────────┼─ &nbsp;───────────┤│&nbsp;&nbsp;5&nbsp;│&nbsp;!=&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│&nbsp;ne&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;│╘════╧════════════╧════════════╛避免括号的另一个选择是使用DataFrame.query(或eval):df.query('A&nbsp;<&nbsp;5&nbsp;and&nbsp;B&nbsp;>&nbsp;5') &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C1&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;93&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;6我有过广泛记录在案query和eval在……里面熊猫动态表达评价的pd.val().operator.and_允许您以功能方式执行此操作。内部呼叫Series.__and__它对应于位操作符。import&nbsp;operator&nbsp; operator.and_(df['A']&nbsp;<&nbsp;5,&nbsp;df['B']&nbsp;>&nbsp;5)#&nbsp;Same&nbsp;as,#&nbsp;(df['A']&nbsp;<&nbsp;5).__and__(df['B']&nbsp;>&nbsp;5)&nbsp;0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;False3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp; &nbsp;Falsedtype:&nbsp;bool df[operator.and_(df['A']&nbsp;<&nbsp;5,&nbsp;df['B']&nbsp;>&nbsp;5)] &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C1&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;93&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;6你通常不需要这个，但是知道是有用的。概括：np.logical_and(和logical_and.reduce)另一种选择是使用np.logical_and，也不需要括号分组：np.logical_and(df['A']&nbsp;<&nbsp;5,&nbsp;df['B']&nbsp;>&nbsp;5)0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;False3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;FalseName:&nbsp;A,&nbsp;dtype:&nbsp;bool df[np.logical_and(df['A']&nbsp;<&nbsp;5,&nbsp;df['B']&nbsp;>&nbsp;5)] &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C1&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;93&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;6np.logical_and是Ufunc(通用职能)，而且大多数运行程序都有一个reduce方法。这意味着更容易泛化。logical_and如果你有多个面具。例如，to和掩码m1和m2和m3带着&，你必须做m1&nbsp;&&nbsp;m2&nbsp;&&nbsp;m3然而，一个更容易的选择是np.logical_and.reduce([m1,&nbsp;m2,&nbsp;m3])这是强大的，因为它允许您在此基础上构建更复杂的逻辑(例如，在列表理解中动态生成掩码并添加所有掩码)：import&nbsp;operator cols&nbsp;=&nbsp;['A',&nbsp;'B']ops&nbsp;=&nbsp;[np.less,&nbsp;np.greater]values&nbsp;=&nbsp;[5,&nbsp;5]m&nbsp;=&nbsp;np.logical_and.reduce([op(df[c],&nbsp;v)&nbsp;for&nbsp;op,&nbsp;c,&nbsp;v&nbsp;in&nbsp;zip(ops,&nbsp;cols,&nbsp;values)])m&nbsp; #&nbsp;array([False,&nbsp;&nbsp;True,&nbsp;False,&nbsp;&nbsp;True,&nbsp;False])df[m] &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C1&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;93&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;6我知道我是在唠叨这一点，但请容忍我。这是一个非常,&nbsp;非常普通初学者的错误，必须非常彻底地解释。逻辑OR为df上面，假设您想返回A=3或B=7的所有行。重载位|df['A']&nbsp;==&nbsp;30&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True3&nbsp;&nbsp;&nbsp;&nbsp;False4&nbsp;&nbsp;&nbsp;&nbsp;FalseName:&nbsp;A,&nbsp;dtype:&nbsp;bool df['B']&nbsp;==&nbsp;70&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;False3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;FalseName:&nbsp;B,&nbsp;dtype:&nbsp;bool(df['A']&nbsp;==&nbsp;3)&nbsp;|&nbsp;(df['B']&nbsp;==&nbsp;7)0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;Falsedtype:&nbsp;bool df[(df['A']&nbsp;==&nbsp;3)&nbsp;|&nbsp;(df['B']&nbsp;==&nbsp;7)] &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C1&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;92&nbsp;&nbsp;3&nbsp;&nbsp;5&nbsp;&nbsp;23&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;6如果您还没有，请阅读逻辑与以上，所有的警告都适用于此。或者，可以用df[df['A'].eq(3)&nbsp;|&nbsp;df['B'].eq(7)] &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C1&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;92&nbsp;&nbsp;3&nbsp;&nbsp;5&nbsp;&nbsp;23&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;6operator.or_打电话Series.__or__在引擎盖下面。operator.or_(df['A']&nbsp;==&nbsp;3,&nbsp;df['B']&nbsp;==&nbsp;7)#&nbsp;Same&nbsp;as,#&nbsp;(df['A']&nbsp;==&nbsp;3).__or__(df['B']&nbsp;==&nbsp;7)0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp; &nbsp;&nbsp;&nbsp;Falsedtype:&nbsp;bool df[operator.or_(df['A']&nbsp;==&nbsp;3,&nbsp;df['B']&nbsp;==&nbsp;7)] &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C1&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;92&nbsp;&nbsp;3&nbsp;&nbsp;5&nbsp;&nbsp;23&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;6np.logical_or对于两个条件，请使用logical_or:np.logical_or(df['A']&nbsp;==&nbsp;3,&nbsp;df['B']&nbsp;==&nbsp;7)0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;FalseName:&nbsp;A,&nbsp;dtype:&nbsp;bool df[np.logical_or(df['A']&nbsp;==&nbsp;3,&nbsp;df['B']&nbsp;==&nbsp;7)] &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C1&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;92&nbsp;&nbsp;3&nbsp;&nbsp;5&nbsp;&nbsp;23&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;6对于多个掩码，请使用logical_or.reduce:np.logical_or.reduce([df['A']&nbsp;==&nbsp;3,&nbsp;df['B']&nbsp;==&nbsp;7])#&nbsp;array([False,&nbsp;&nbsp;True,&nbsp;&nbsp;True,&nbsp;&nbsp;True,&nbsp;False])df[np.logical_or.reduce([df['A']&nbsp; ==&nbsp;3,&nbsp;df['B']&nbsp;==&nbsp;7])] &nbsp;&nbsp;&nbsp;A&nbsp;&nbsp;B&nbsp;&nbsp;C1&nbsp;&nbsp;3&nbsp;&nbsp;7&nbsp;&nbsp;92&nbsp;&nbsp;3&nbsp;&nbsp;5&nbsp;&nbsp;23&nbsp;&nbsp;4&nbsp;&nbsp;7&nbsp;&nbsp;6逻辑不戴上面具，如mask&nbsp;=&nbsp;pd.Series([True,&nbsp;True,&nbsp;False])如果您需要反转每个布尔值(因此最终结果是[False, False, True])，则可以使用以下任何方法。按位~~mask0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;False2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Truedtype:&nbsp;bool同样，表达式需要加括号。~(df['A']&nbsp;==&nbsp;3)0&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True1&nbsp;&nbsp;&nbsp;&nbsp;False2&nbsp;&nbsp;&nbsp;&nbsp;False3&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;True4&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;TrueName:&nbsp;A,&nbsp;dtype:&nbsp;bool这内部呼叫mask.__invert__()0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;False2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Truedtype:&nbsp;bool但不要直接用。operator.inv内部呼叫__invert__在系列赛上。operator.inv(mask)0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;False2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Truedtype:&nbsp;boolnp.logical_not这是矮胖的变体。np.logical_not(mask)0&nbsp;&nbsp;&nbsp;&nbsp;False1&nbsp;&nbsp;&nbsp;&nbsp;False2&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Truedtype:&nbsp;bool注：np.logical_and可以代替np.bitwise_and,&nbsp;logical_or带着bitwise_or，和logical_not带着invert.