mask的作用是将满足条件的位置替换为指定值（默认NaN），与where逻辑相反：where保留符合条件的值、替换不符合的，mask则“掩掉”符合条件的值。
什么是 mask 而不是 where
mask 的作用是「把满足条件的位置替换成指定值（默认是 NaN）」，和 where 逻辑相反：where 保留满足条件的值、替换不满足的；mask 则是「掩掉」满足条件的值。初学者常混淆两者行为，结果得到全 NaN 或完全没变化的数据。
关键区别在于语义：你是在「隐藏符合条件的记录」还是「保留符合条件的记录」？选错函数会导致逻辑翻转。
-
df.mask(df['age'] > 30)→ 把 age > 30 的所有单元格设为NaN -
df.where(df['age'] > 30)→ 只保留 age > 30 的值，其余变NaN - 两者都支持
other=...参数自定义替换值，不限于NaN
对单列用布尔 Series 做 mask 最稳妥
直接传入一个与目标列等长的布尔数组是最清晰、最不容易出错的方式。Pandas 会严格对齐索引，避免广播或长度不匹配导致的静默错误。
常见错误是误用标量条件（如 df['score'].mask(95)），这不会报错但毫无效果——因为 95 被当作 True，整列被掩掉；或者用 df.mask('score' > 95)，字符串比较永远 False，结果原样返回。
立即学习“Python免费学习笔记（深入）”；
- ✅ 正确：
df['score'].mask(df['score'] > 95, other=-1)（把超 95 的分数替成 -1） - ❌ 错误：
df['score'].mask(df['score'] > 95, -1)（缺少other=，-1 被当 position 参数，报TypeError） - ⚠️ 注意：
mask默认就地返回新对象，原df不变；要修改原数据得加inplace=True，但不推荐
多列联合条件必须用括号包裹每个比较
Python 运算符优先级会让 &、|、~ 出现意外结果。比如 df.mask(df.a > 1 & df.b 实际等价于 <code>df.mask(df.a > (1 & df.b) ，几乎必然报错或逻辑错乱。
所有布尔条件都必须用小括号明确分组，且用 &（不是 and）、|（不是 or）、~（不是 not）。
- ✅ 正确：
df.mask((df['A'] > 10) & (df['B'] == 'X'), other='REDACTED') - ✅ 多列同时掩码：
df[['A', 'B']].mask(df['C'] （用 <code>C列条件控制A和B） - ⚠️ 注意：
mask对NaN条件默认跳过（即不掩），如果需要把NaN也纳入掩码范围，先用fillna()或显式写df['col'].isna()
mask 在时间序列或缺失值填充场景中的实际用法
很多人只把 mask 当作“删数据”工具，但它在清洗阶段更常用于临时屏蔽异常值，配合 fillna 或插值使用。例如剔除明显离群的传感器读数后再做线性插值，比直接 dropna 保留更多时间点。
性能上，mask 是向量化操作，比循环 + loc 快得多；但在大数据集上频繁链式调用（如 .mask().fillna().round()）会触发多次拷贝，建议用 numpy.where 或 assign 链式优化。
- ✅ 清洗温度数据：
df['temp'].mask(df['temp'] - ✅ 替换敏感字段：
df.assign(ssn=df['ssn'].mask(df['is_public'] == False, other='***')) - ⚠️ 容易忽略：
mask对category类型列会丢失原有类别，需后续用astype('category')恢复
()。 
