集合不支持直接用>、>=等关系运算符比较，需转为可迭代结构后逐元素判断，如{x for x in s if 2

Python 中用 in 和比较运算符组合做集合范围过滤

关系运算符本身（、>= 等）不能直接作用于集合（set），因为集合无序且不支持索引或大小比较。想筛“指定范围的记录”，实际要先转成可比较的结构，比如列表、元组，或在迭代时对每个元素单独判断。

常见错误是写 {1, 3, 5, 7} > 3 —— 这会抛出 TypeError: '>' not supported between instances of 'set' and 'int'。

• 正确做法：用生成器表达式或 filter() 配合关系运算符，例如 {x for x in my_set if 2
• 如果原始数据来自数据库或 Pandas，优先用底层优化方法（如 df.query('age > 25 & age ），避免先转 set 再过滤
• in 是成员运算符，不是关系运算符；它适合“是否包含某值”，不适合“是否落在区间内”——别混淆 x in my_set 和 2

SQL 中用 BETWEEN 和比较运算符写范围条件

SQL 的关系运算符天然支持范围筛选，但要注意 BETWEEN 是闭区间（等价于 >= AND ），而手写 >/ 更灵活，尤其处理时间戳或排除边界时。

• 推荐写法：WHERE created_at > '2024-01-01' AND created_at （开区间，避免时区/精度导致的重复或遗漏）
• 慎用：WHERE id BETWEEN 100 AND 200 —— 如果表有自增主键且连续，没问题；但若 id 是 UUID 或存在删除空洞，BETWEEN 就失去“范围”语义
• 字符串字段慎用 >/ 做范围（如 name > 'Alice'），结果依赖字符集排序规则，MySQL 和 PostgreSQL 表现可能不同

Pandas 中用布尔索引配合 query() 实现高效范围过滤

Pandas 的布尔索引本质就是把关系运算符作用于 Series，返回布尔数组，再用于切片。这是最常用也最直观的方式。

• 基础写法：df[df['age'] >= 18] 或 df.query('age >= 18 and score
• query() 支持变量注入：df.query('price > @min_price and price
• 性能提示：对大 DataFrame，query() 在某些场景比链式布尔索引略快（底层用 numexpr 优化），但调试时布尔索引更容易打断点查中间结果
• 注意缺失值：df[df['age'] > 30] 会自动丢弃 age 为 NaN 的行；若需保留，得显式加 | df['age'].isna()

JavaScript 中用 filter() + 关系表达式处理数组范围筛选

JS 没有原生“集合范围查询”语法，数组的 filter() 是事实标准。Set 要先转数组（[...mySet]）再过滤，否则无法用下标或顺序逻辑。

• 简单范围：numbers.filter(n => n >= 10 && n
• 日期范围：logs.filter(log => new Date(log.time) > start && new Date(log.time) —— 注意每次调用都新建 Date 对象，大数据量时考虑提前解析
• 避免陷阱：new Set([1, 2, 3]).filter(x => x > 1) 会报错，因为 Set 没有 filter 方法；必须写成 [...new Set([1, 2, 3])].filter(...)
• 数值精度问题：浮点数比较慎用 ===，范围筛选一般用 >/ 更安全，例如 0.1 + 0.2 > 0.3 是 true，但 0.1 + 0.2 === 0.3 是 false

实际用哪一种，取决于你的数据源头和执行环境。数据库就交给 SQL，内存数据就用语言原生方法，别硬套“集合”概念去绕弯子。边界条件、空值、类型隐式转换，才是最容易漏掉的点。