不会出错，但逻辑易反：df[condition]是保留而非删除；删行需用~取反且注意括号优先级，如df[~(df['col']>5)]；复杂条件建议先构造布尔序列；query()简洁但有列名和方法链限制；链式索引需.copy()避免视图问题。
用布尔索引直接赋值为空DataFrame会出错吗？
不会出错，但逻辑上容易反了——df[condition]是筛选保留，不是删除。想删行，得取反：用 ~（波浪号）对布尔数组取反，或者用 df.loc[~condition]。常见错误是写成 df = df[~df['col'] > 5] 却忘了括号优先级，实际执行成了 ~df['col'] > 5，结果全为 False，整表被清空。
正确写法必须加括号：df = df[~(df['col'] > 5)]。如果条件复杂，建议先构造布尔序列再使用：
isna()
- 删空值行：
df = df[~df['name'].isna()]或df.dropna(subset=['name'], inplace=True)（后者更语义化） - 删重复行（按某列）：
df = df[~df['id'].duplicated(keep='first')]，keep='first'表示保留首次出现，其余删掉 - 删含“test”的行（忽略大小写+容错空值）：
df = df[~df['desc'].str.contains('test', case=False, na=False)]
用query()方法比布尔索引更安全吗？
不一定更安全，但可读性高、不易错漏括号。query() 是字符串解析式，不涉及 Python 运算符优先级问题，比如 df.query("age > 18 and score > 90") 比 df[(df['age'] > 18) & (df['score'] > 90)] 少两个括号和一个 & 符号。但它有硬限制：
- 列名含空格或特殊字符时必须用反引号：
df.query("`user id` > 100") - 不能直接调用方法链（如
.str.upper()），得提前算好新列或用engine='python'（性能下降） - 变量注入要用
@前缀：threshold = 85; df.query("score
小数据量下差异不大，但大数据集上 query() 底层用 numexpr 加速，有时反而更快。
原地修改inplace=True为什么经常失效？
因为多数布尔索引操作（如 df[~mask]）本质是返回新 DataFrame，根本没触发 inplace 参数——它只在少数方法里有效，比如 drop()、fillna()、dropna()。想“原地删行”，别信 df[~mask].inplace=True，这句毫无作用；正确做法只有两种：
- 显式重新赋值：
df = df[~mask]（推荐，明确、可控） - 用
drop()配合索引：df.drop(df[mask].index, inplace=True)，但要注意mask为True表示要删的行，所以传的是df[mask].index
真正容易被忽略的是链式赋值警告（SettingWithCopyWarning）——当你从切片再做布尔索引时（如 sub_df = df[df['x']>0]; sub_df = sub_df[~sub_df['y'].isna()]），可能操作的是视图而非副本，后续修改行为不可控。最稳妥的方式始终是用 .copy() 显式切断引用。
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！
