必须用&、|、~且每条件加括号，禁用and/or/not；因pandas布尔序列不支持python原生逻辑运算符的真值判断，直接使用会触发valueerror。
用 &、|、~ 组合多个布尔条件时，为什么报错 ValueError: The truth value of a Series is ambiguous
直接用 and / or / not 连接多个条件会触发这个错误，因为 Pandas 的布尔序列不支持 Python 原生逻辑运算符的真值判断。
必须改用按位运算符：&（且）、|（或）、~（非），且每个条件必须用括号包裹。
-
df[(df['age'] > 25) & (df['city'] == 'Beijing')]✅ -
df[df['age'] > 25 & df['city'] == 'Beijing']❌（缺少括号，优先级出错） -
df[df['age'] > 25 and df['city'] == 'Beijing']❌（触发 ValueError）
处理缺失值（NaN）时，== 和 .isin() 为什么失效
NaN == NaN 返回 False，所以用 == 或 .isin() 筛选含 NaN 的列时，这些行会被自动排除，即使你本意是“保留 NaN”或“专门选 NaN”。
- 要筛选非空且满足条件的行：用
df[df['score'].notna() & (df['score'] > 80)] - 要专门选出 NaN：用
df[df['score'].isna()] - 要包含 NaN 并满足其他条件（如“score > 80 或 score 是 NaN”）：写成
(df['score'] > 80) | df['score'].isna()
用 query() 写多条件更简洁，但要注意字符串和变量的写法差异
query() 支持类似 SQL 的字符串表达式，可读性高，但变量注入和字符串字面量需严格区分。
- 列名含空格或特殊字符：用反引号包裹，如
df.query("`user name`.str.contains('Alice')") - 引用外部变量：用
@前缀，如min_age = 25; df.query('age > @min_age') - 字符串字面量必须用单引号（双引号在表达式里会被误解析），如
df.query("city == 'Shanghai'")✅，df.query('city == "Shanghai"')❌（语法错误） - 性能略低于布尔索引，大数据量时差异明显
复杂条件涉及函数调用（如字符串方法、日期提取），为什么结果为空或报错
链式调用（如 .str.contains()、.dt.year）在布尔索引中必须确保目标列确实支持该操作——否则会返回 NaN 或抛 AttributeError。
- 先确认列类型：
df['date'].dtype是datetime64[ns]才能用.dt；df['name'].dtype是object且实际为字符串才可安全用.str - 容错写法：加
.astype(str)或pd.to_datetime(..., errors='coerce')把无效值转为NaT/NaN，再配合.notna() - 示例：筛选“2023 年注册且用户名含 ‘dev’”：
df[pd.to_datetime(df['reg_date'], errors='coerce').dt.year == 2023 & df['username'].str.contains('dev', na=False)]（注意na=False避免contains对 NaN 报错）
df.iloc[:5] 和 df.dtypes 快速看一眼数据形态，比反复调试快得多。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！
