mask在条件为true时替换值、where在条件为false时替换值，二者逻辑互为反向；mask适用于替换异常值，where适用于保留符合条件的数据。
直接说结论：mask 和 where 是 Pandas 中一对互为反向的布尔索引替换工具，不是“if-else”替代品，用错条件逻辑会得到完全相反的结果。
mask 和 where 的行为本质区别是什么？
mask 把满足条件的位置替换成 NaN（或指定值），where 则保留满足条件的位置、把不满足的替换成 NaN（或指定值）。它们不是“替换 true / false”，而是“保留 false / true”。
-
ser.mask(cond)≡ser.where(~cond) -
ser.where(cond)≡ser.mask(~cond) - 默认填充值是
NaN，但可显式传入other=...改变 - 如果
other是标量，广播生效；如果是同 shape 的 Series/DataFrame，按位置对齐
为什么用 mask 替换“大于 100 的值”却把小值删了？
典型误用：想把所有 value > 100 的项替换成 0，却写了 ser.mask(ser > 100, other=0)——结果是把 >100 的位置全设为 0，其余不变。这没错，但如果你本意是“只保留 ≤100 的值，其余清零”，那就该用 where。
- ✅ 想保留 ≤100 的值，>100 的置 0：
ser.where(ser - ✅ 想把 >100 的值替换成 0，其余不变：
ser.mask(ser > 100, other=0) - ⚠️ 错误写法：
ser.mask(ser > 100)（没给other）→ 这些位置变成NaN，不是 0 - ⚠️ 更隐蔽的错：
ser.where(ser > 100, other=0)→ 反而只留下 >100 的值，其余全 0
在 DataFrame 上使用时，axis 和 cond 对齐容易出什么问题？
当 cond 是标量、Series 或 DataFrame，Pandas 会尝试按索引对齐。常见坑是 cond 的 index/column 不匹配导致部分列被静默丢弃或填充 NaN。
- 用
Series当条件时，默认按行对齐（axis=0），即用 Series 的 index 匹配 DataFrame 的 index - 若想按列对齐（比如每列用不同阈值），得显式写
df.where(cond, axis=1)，且cond必须是 shape 兼容的 Series 或 dict - 最安全做法：用
df.gt(100)这类方法生成同 shape 的布尔 DataFrame，再传给mask/where - 示例：
df.mask(df.select_dtypes('number').gt(50), other=-1)只对数值列生效，避免非数值列报错
真正麻烦的不是语法，而是条件表达式的真假含义和你脑内“保留/剔除”的直觉是否一致。每次写之前，先默念一遍：“我要保留哪些位置？哪些该被覆盖？”——然后选 where 或 mask，别靠记忆函数名猜行为。
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！
