布尔索引df[condition]是最直接的行筛选方式，需用外层方括号；注意空值处理、大小写敏感性、多条件括号、str.contains()替代==、isin()替代冗长|判断、query()适用于复杂可读场景但有性能与语法限制。
用 df[condition] 做布尔索引是最直接的方式
Pandas 里筛选含特定值的行，核心就是构造一个布尔序列，然后用它去索引 DataFrame。不是用 query()，也不是先 iterrows() 再判断——那太慢还容易出错。
常见错误是写成 df['col'] == 'value' 后忘了套进方括号，结果返回的是 Series 而不是过滤后的 DataFrame。
- 必须写成
df[df['col'] == 'value']，外层方括号才是筛选动作 - 字符串比较注意大小写：
df['name'].str.lower() == 'alice'比直接== 'Alice'更稳妥 - 空值（
NaN）会让布尔表达式变成False，但不会报错；如果想包含空值，得显式加| df['col'].isna() - 多个条件用括号包住每个子表达式：
df[(df['age'] > 25) & (df['city'] == 'Beijing')]，别漏括号，也别用and
查“包含子串”别用 ==，要用 str.contains()
想筛出“姓名里有‘明’字”的行，df['name'] == '明' 是错的——那是找完全等于“明”的整字段。真实场景大多是模糊匹配。
str.contains() 默认区分大小写、不支持正则（除非关掉 regex=False），但够用且不易出错。
立即学习“Python免费学习笔记（深入）”；
- 基础用法：
df[df['name'].str.contains('明')] - 忽略大小写：
df[df['name'].str.contains('abc', case=False)] - 匹配整个单词（避免匹配到“abcde”里的“abc”）：
df[df['text'].str.contains(r'\babc\b', regex=True)] - 空值默认返回
NaN，导致该行被丢弃；加na=False可让空值算作False：.str.contains('x', na=False)
isin() 查多个候选值比连写 | 更快更安全
要找城市是“北京”、“上海”或“广州”的行，有人会写 (df['city'] == '北京') | (df['city'] == '上海') | ...。这不仅啰嗦，而且一旦候选值多、类型杂（比如混了 None 或数字），很容易漏判或报错。
isin() 是专为此设计的，内部做了优化，还能自动处理 NaN 和类型兼容性问题。
- 正确写法：
df[df['city'].isin(['北京', '上海', '广州'])] - 支持列表、元组、集合、甚至另一个 Series 的值：
df[df['id'].isin(other_df['id'])] - 注意：如果右边列表里有
NaN，isin()会把它当普通值处理（即匹配NaN行），但多数时候你并不想要这个效果——提前用dropna()过滤更可控 - 性能上，10 万行数据里查 100 个值，
isin()比等价的布尔表达式快 3–5 倍
用 query() 写复杂条件更易读，但要注意变量引用和性能
当条件嵌套深、涉及多个列运算（比如 price * qty > 1000），或者想把变量名直接塞进字符串里，query() 就比链式布尔索引顺手。
但它不是万能的：语法是字符串，IDE 不提示、运行时报错才暴露；而且底层要解析字符串，小数据看不出差别，大数据量下比原生布尔索引慢 10%–20%。
- 引用外部变量加
@：df.query('age > @min_age and city in @cities')，其中min_age=25、cities=['Beijing'] - 列名含空格或特殊字符，得用反引号：
df.query('`user id` == 123') - 不能在
query()里调用方法，比如.str.contains()不支持；这种只能回退到布尔索引 - 调试时如果报
UndefinedVariableError，八成是变量没加@，或者作用域不对（比如在函数内调用但变量是局部的）
真正卡住人的往往不是语法，而是空值怎么算、大小写要不要管、正则边界符写没写、还有那个总被漏掉的外层方括号——这些地方一错，结果就静默变少几行，很难察觉。
