mask在条件为true时替换原值，where在条件为true时保留原值、false时替换；二者逻辑互为反向，常因混淆导致结果错误。
mask 和 where 的核心区别在哪
二者都做条件替换，但逻辑相反：mask 是“满足条件就替换成新值”，where 是“满足条件就保留原值，否则替换”。别记反，否则结果全错。
常见错误现象：用 mask 写成 df.mask(condition, value) 却期望保留符合条件的行——实际是把这些行替掉了。
-
mask(cond, other)：cond 为 True 的位置，用other替换原值 -
where(cond, other)：cond 为 True 的位置，保留原值；False 的位置才用other替换 - 二者都支持标量、Series、DataFrame 或 callable 作为
other，但广播规则必须对齐，否则报ValueError: Can not broadcast
替换单列时怎么避免 dtype 混乱
直接用 mask 或 where 替换单个数值（比如 np.nan），容易导致整列 dtype 升级：int 列变成 float，再变 object。尤其在后续 groupby 或 merge 时会出隐性问题。
- 用
pd.Int64Dtype()（带缺失的整数类型）配合where可保 int 类型：df['age'] = df['age'].where(df['age'] >= 0, pd.NA).astype('Int64') - 若必须用
mask填np.nan，记得之后显式转回 nullable 类型，而不是依赖自动推断 - 字符串列慎用
mask(..., '')——空字符串不是缺失，isna()不识别它，后续统计可能漏判
多条件组合时布尔运算写法要小心
Pandas 的布尔索引不支持 Python 原生 and/or，必须用 &、|、~，且每个条件必须括起来，否则优先级出错。
- 错误写法：
df['x'].mask(df['a'] > 1 and df['b'] → 报 <code>ValueError: The truth value of a Series is ambiguous - 正确写法：
df['x'].mask((df['a'] > 1) & (df['b'] - 用
query预过滤再操作更清晰？可以，但mask/where是向量化原地替换，query返回新 DataFrame，别混用场景
性能差异大吗？什么情况该选哪个
底层都是 C 实现，单次调用性能几乎无差别。真正影响快慢的是链式操作和副本生成。
- 想“原地改”又不想复制整表？
mask和where默认都返回新对象；加inplace=True参数只对部分方法有效，但Series.mask和Series.where已弃用该参数，必须赋值 - 高频小批量替换（比如实时清洗流数据）：优先用
where+ 布尔索引切片，比反复mask更易读且不易累积中间副本 - 嵌套条件（如“先 mask A，再 where B”）：不如拆成两步布尔数组，用
np.where(cond1 & ~cond2, ..., ...)更可控
最常被忽略的一点：mask 和 where 对 NaN 的处理默认是“保持原 NaN”，不会主动触发填充——如果你以为它们会自动补缺，那就得额外加 fillna 步骤。
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！
