isin返回空DataFrame却不报错，是因为它对输入类型极其敏感：传入嵌套列表、dtype不匹配的np.array、索引未对齐的Series或含NaN的列表时，会隐式转换并悄悄返回全False布尔掩码，导致静默失败。
直接说结论：isin 是 Pandas 中最常用也最容易出错的过滤手段之一，它本身不慢，但用错场景或传入不当结构时，性能会断崖式下降，甚至返回空结果而不报错。
为什么 isin 返回空 DataFrame 却没报错？
这是最常见的“静默失败”——isin 对输入类型极其敏感，尤其当传入的是嵌套列表、numpy 数组 dtype 不匹配，或 Series 索引未对齐时，内部会做隐式转换并悄悄返回全 False 的布尔掩码。
- 传入
list最安全，比如df[df['col'].isin([1, 2, 3])] - 传入
np.array时，确保 dtype 与目标列一致（如目标列是int64，别传float64数组） - 传入另一个
Series时，isin只比对值（value），不看索引；但如果该 Series 有重复值或 NaN，行为可能不符合直觉 - 避免传入字典、集合（set）——Python 集合无序且不可哈希元素受限，Pandas 会尝试转成 list，但遇到不可哈希对象（如 list 嵌套）直接崩
isin 和 query、loc 布尔索引的性能差异在哪？
三者底层都走布尔索引，但开销不同：isin 在构造掩码阶段要做一次哈希查找（类似 set 查找），而 query 要解析字符串、构建 AST，loc + 条件链（如 df.loc[df['a'] == 1 & df['b'] > 2]）则每次条件都单独扫描。
- 单列多值匹配（>5 个值），
isin明显快于多次==或|拼接 - 多列联合过滤？别硬套
isin，改用merge或query('a in @values and b in @others')更清晰 - 大数据量（>100 万行）下，把筛选值转成
set再传给isin几乎没提升——Pandas 内部已自动优化为哈希查找
如何让 isin 支持模糊匹配或部分包含？
isin 本身只做精确匹配，不支持通配符或正则。想实现“包含某子串”或“以某前缀开头”，必须换方法。
立即学习“Python免费学习笔记（深入）”；
- 字符串部分匹配：用
str.contains、str.startswith等矢量化方法，例如df[df['name'].str.contains('abc')] - 需要同时满足“在白名单中”+“含关键词”：先
isin粗筛，再用str方法细筛，避免全量扫 - 误用
isin传正则 pattern 列表？它不会编译正则，而是当作普通字符串精确匹配——结果必然不对
真正麻烦的不是语法，而是当你把一个从数据库查出来的 pd.Series 直接喂给 isin，却忘了它默认带 index；或者把含 NaN 的 list 当作筛选集，而 isin 对 NaN 的处理是“不匹配”——这些细节不打日志、不抛异常，只默默删掉你想要的行。
