用 df[condition] 做数值范围筛选最直接，应使用布尔索引而非循环或 apply；常见错误是混用 and/or，正确写法为 (df['age'] > 18) & (df['age']
用
df[condition]做数值范围筛选最直接Pandas 里筛数值范围，别绕弯写循环或
apply，直接用布尔索引。核心就是构造一个返回True/False的条件表达式，丢进方括号里。
- 常见错误：写成
df['age'] > 18 and df['age'] —— 报 <code>ValueError: The truth value of a Series is ambiguous，因为and不支持 Series；必须用&（且）、|（或）、~（非）- 正确写法：
df[(df['age'] > 18) & (df['age'] ，注意括号不能省，运算符优先级会导致意外结果- 如果字段含缺失值（
NaN），NaN > 30返回False，所以默认不包含缺失行；需要保留NaN可加df['age'].between(18, 65, inclusive='both')
between()更安全，尤其处理闭区间和缺失值当你要“大于等于 A 且小于等于 B”时，
between()比手写两个比较更少出错，也更易读。
- 默认
inclusive='both'，即闭区间；设成'neither'就是开区间，'left'或'right'控制单侧- 它对
NaN返回False，但不会报错；若想把NaN当作有效值保留，得额外用df['col'].isna() | df['col'].between(...)- 性能上和手写布尔索引几乎无差别，底层都是向量化操作，不用怕慢
- 示例：
df[df['price'].between(100, 500, inclusive='left')]表示100用
query()写条件更接近自然语言，但有坑适合复杂多条件、变量插值或代码可读性优先的场景，但要注意字符串解析限制和变量作用域。
- 变量引用要加
@前缀，比如min_val = 25，就得写df.query('age > @min_val')；不加会当成列名找，报KeyError- 列名含空格或特殊字符（如
'user id'）必须用反引号：df.query('`user id` > 100')- 不支持所有 Python 语法，比如不能用
isinstance()、自定义函数，也不能嵌套三元表达式- 小数据集看不出差异，但大数据量下
query()因字符串解析略慢于布尔索引，一般差 10%–20%链式筛选时注意视图 vs 副本问题
连续用方括号筛选（比如
df[df.A > 1][df.B ）容易触发 <code>SettingWithCopyWarning，不是语法错，而是可能改不到原数据。数值范围筛选本身不难，难的是条件组合时括号漏写、运算符用错、还有链式调用后默默失效——这些地方一卡就是半小时。
- 根本原因是 Pandas 有时返回视图（view），有时返回副本（copy），链式索引会让赋值行为不可控
- 正确做法：用一次布尔索引合并所有条件，或用
.loc显式定位：df.loc[(df.A > 1) & (df.B- 如果真要分步，中间加
.copy()明确断开连接，比如subset = df[df.A > 1].copy(); subset = subset[subset.B- 这个坑在 Jupyter 里常被忽略，直到你改了值却没反映到原始 DataFrame 上才意识到
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！
