多条件筛选必须用 &、|、~ 且每条件加括号，禁用 and/or/not；缺失值判断用 isna()/notna()，禁用 == np.nan；字符串列需先转数值再比较。
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。
提示词大师-python版
下载
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 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
and 没换 &、以及 NaN 判断写错——这三处一错，整个筛选就失效，而且错误信息还不直观。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
