当pandas列实际存储的是布尔值（true/false）时，若错误地使用字符串（如'true'/'false'）进行条件筛选，会导致结果为空；正确做法是直接使用列名作为布尔索引，并对需取反的条件使用~操作符。
当pandas列实际存储的是布尔值（true/false）时，若错误地使用字符串（如'true'/'false'）进行条件筛选，会导致结果为空；正确做法是直接使用列名作为布尔索引，并对需取反的条件使用~操作符。
在Pandas中，条件筛选依赖于数据的实际类型。许多用户在从CSV、Excel或数据库读取数据后，误以为逻辑列（如fa、fl、fg）是布尔型，实则被解析为字符串——例如'TRUE'、'FALSE'（注意拼写错误如'TURE'也常导致匹配失败）。此时，表达式_df.fa == 'TRUE'看似合理，但若底层数据是Python布尔值True而非字符串'TRUE'，该比较将恒为False，最终返回空DataFrame。
✅ 正确写法（适用于列类型为bool）：
_df2 = _df[_df.fa & _df.fl & ~_df.fg]
- & 是Pandas布尔索引的按位与操作符（必须使用&而非and）；
- _df.fa 直接返回布尔Series，无需字符串比较；
- ~_df.fg 对fg列执行逻辑取反（等价于 -_df.fg 或 np.logical_not(_df.fg)）。
⚠️ 注意事项：
- 括号不可省略：_df.fa & _df.fl & ~_df.fg 中每个条件必须用括号包裹（如 (_df.fa) & (_df.fl) & (~_df.fg)），否则因运算符优先级问题会报错（TypeError: bad operand type for unary ~）；
- 验证数据类型：务必先检查列的实际dtype：print(_df[['fa','fl','fg']].dtypes)。若输出为object，很可能存的是字符串；若为bool，才适用上述布尔索引；
-
字符串转布尔（如需兼容原始数据）：
_df['fa'] = _df['fa'].str.upper().map({'TRUE': True, 'FALSE': False}) _df['fl'] = _df['fl'].str.upper().map({'TRUE': True, 'FALSE': False}) _df['fg'] = _df['fg'].str.upper().map({'TRUE': True, 'FALSE': False})再执行布尔索引，可确保健壮性。
总结：Pandas条件筛选的核心是“类型匹配”。不要凭字段语义假设数据类型，而应通过dtypes和sample(3)主动探查。使用原生布尔索引不仅性能更优，也避免了大小写、空格、拼写错误等字符串匹配陷阱。
