布尔索引最高效但必须加括号；query更易读且支持变量引用；复杂逻辑如“至少两列满足”需用.ge().sum(axis=1)向量化计数。
直接用布尔索引最高效，但必须加括号；query写法更易读，适合动态条件；复杂逻辑（如“至少两列满足”）得靠向量化计数。
布尔索引：为什么括号不能省，& 和 | 怎么用
每个独立条件必须用括号包裹，否则 & 会先于 == 执行，直接报 ValueError: The truth value of a Series is ambiguous。这不是风格问题，是语法强制要求。
-
(df["城市"] == "北京") & (df["年龄"] > 30)✅ 正确 -
df["城市"] == "北京" & df["年龄"] > 30❌ 报错 - 多个
&条件可换行写，提升可读性，也方便逐条调试 -
|是“或”，~是“非”，三者优先级相同，全都要括号
query 方法：像 SQL 一样写条件，但要注意变量引用
query 避开了运算符优先级陷阱，天然支持列名直写，不用重复敲 df[...]，特别适合从数据库转过来的人。但它不支持所有 Python 表达式，比如不能调用自定义函数。
-
df.query("城市 == '北京' and 年龄 > 30")✅ 简洁直观 -
df.query("年龄 > @min_age and 收入 > @threshold")✅ 用@引用外部变量 - 含空格或特殊字符的列名需用反引号：`df.query("`用户 ID` > 100")`
- 性能上，小数据集差异不大；百万行以上，纯布尔索引通常快 10%–20%
“至少 N 列满足条件”：用 .ge() + .sum(axis=1)
这不是常规的“与/或”逻辑，而是计数型筛选——比如“4 门课中至少 2 门 ≥85”。硬写 | 组合会爆炸（C(4,2)=6 种组合），必须转向量化统计。
df[ df[["数学","英语","物理","化学"]].ge(85).sum(axis=1) >= 2 ]-
.ge(85)返回布尔 DataFrame，sum(axis=1)自动把True/False当 1/0 加总 - 含
NaN时，.ge(85)默认返回False，会少计一票；若需忽略缺失值，先fillna(0)或用dropna() - 列名建议提前存为变量：
score_cols = ["数学","英语","物理","化学"]，再套用，避免硬编码
用 mask 做条件替换，不是筛选
mask 的本质是“满足条件就替换”，不是过滤行。它和 where 是一对反操作：一个替 True，一个替 False。新手常误把它当 loc 用。
df["score"].mask(df["score"] → 把不及格分数设为 <code>NaN- 多条件组合同样要括号：
df.mask((df["age"] - 想保留原始结构只改部分值，
mask比loc+ 赋值更安全（不会因索引错位写漏） - 若目标是删行，别用
mask，该用布尔索引或query
最容易被忽略的是空值处理——==、.ge()、str.contains() 遇到 NaN 全返回 False，导致本该匹配的行被漏掉。真要保精度，得先明确策略：填默认值？跳过？还是用 isna() 单独处理。
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！
