query函数多条件需用括号包裹每个比较式并用&/|连接，列名含空格或特殊字符时须加反引号，字符串方法需指定engine='python'，数值比较无需指定引擎。
query函数里怎么写多条件，才不会报错
直接写 df.query('Age > 18 and Name.str.startswith("A")') 大概率能跑通，但前提是列名不含空格、点号或特殊字符。一旦列名是 'user id' 或 'price (USD)'，就得用反引号包裹：df.query('`user id` > 100 and `price (USD)` > 50')。不加反引号会触发 UndefinedVariableError 或语法解析失败。
字符串方法调用（如 .str.contains()）必须显式启用 Python 引擎：engine='python'，否则默认的 numexpr 引擎不支持；数值比较、布尔运算这类基础操作则无需指定引擎。
常见错误现象：
-
KeyError: 'Name'：列名大小写或拼写不一致，或 DataFrame 列名含不可见空格 -
TypeError: unsupported operand type(s) for &: 'str' and 'bool'：误把&当成字符串连接符用了，实际 query 里该用and/or -
ParserError：条件中混用了单双引号嵌套，比如'name == "Alice's"，应改用三重引号或转义
布尔索引写多条件时，括号为什么不能省
因为 &、|、~ 是位运算符，优先级高于比较运算符 ==、>。写成 df['A'] == 1 & df['B'] == 2，Python 实际按 df['A'] == (1 & df['B']) == 2 解析，立刻报 ValueError: The truth value of a Series is ambiguous。
必须给每个比较条件加括号：(df['A'] == 1) & (df['B'] == 2)。这是硬性语法要求，不是风格建议。
容易踩的坑：
- 用
and/or替代&/|：会触发真值测试错误，因为 pandas 不允许对整个 Series 调用bool() - 漏掉最外层括号：比如
df[(df['A'] == 1) & df['B'] == 2]，&右侧没括号，依然报错 - 混合使用
&和and：逻辑混乱，且必然报错
isin() 配合其他条件时，数据类型不一致怎么办
df['Year'].isin([2022, 2023]) 和 df['Year'] == '2022' 看似都“在筛年份”，但若 df['Year'].dtype 是 int64，后者永远返回全 False —— 字符串和整数比较结果为 False，不是类型错误，所以不报异常，只默默返回空结果。
正确做法是先确认类型：print(df['Year'].dtype) 和 df['Year'].head().tolist()，再决定写法：
- 整数型 → 用数字：
df[df['Item Code'].isin(['04901','04940']) & (df['Year'] == 2022)] - 字符串型 → 用字符串：
df[df['Item Code'].isin(['04901','04940']) & (df['Year'] == '2022')] - 不确定 → 统一转类型：
df['Year'].astype(str).isin(['2022', '2023'])或pd.to_numeric(df['Year'], errors='coerce').isin([2022, 2023])
注意：isin() 对 NaN 默认返回 False；如果想保留缺失值行，得额外加 | df['col'].isna()。
query 和布尔索引性能差异在哪
简单条件（如 col > 100）下，两者性能几乎无差别；但涉及字符串方法（.str.contains）、复杂表达式或大内存 DataFrame 时，query() 通常更快，因为它底层用 numexpr 做向量化计算，避免 Python 解释器开销。
不过 query() 有硬限制：不支持自定义函数、不能访问外部变量（除非用 @var 注入），也不支持链式赋值（df.query(...).loc[:, 'new_col'] = ... 容易触发 SettingWithCopyWarning）。
实操建议：
- 快速探索、交互分析 → 优先用
query()，可读性强 - 需复用中间布尔数组（比如先筛再统计再画图）→ 用布尔索引，显式存为
mask = (df.A > 1) & (df.B - 条件含
np.where、pd.cut或自定义逻辑 → 只能用布尔索引
最常被忽略的一点：无论用哪种方式，筛选结果都是新对象，修改它不会影响原 df；若需就地更新，必须明确用 .loc 或 .iloc 定位赋值。
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！
