本文介绍如何基于用户列表（如离职人员）从 dataframe 中排除所有由这些用户执行过的任务类型，从而获取“完全未被该群体触达”的任务类型子集。核心在于逻辑取反与集合过滤，而非简单行删除。
本文介绍如何基于用户列表（如离职人员）从 dataframe 中排除所有由这些用户执行过的任务类型，从而获取“完全未被该群体触达”的任务类型子集。核心在于逻辑取反与集合过滤，而非简单行删除。
在实际数据分析中，常需识别那些从未被某类用户（如已离职员工）执行过的任务类型——这不同于仅保留当前活跃用户的数据，而是要求任务类型本身具有“排他性”：只要任一离职人员执行过该任务，该任务类型就应被整体剔除。例如，若 Carol 执行过 'upgrade'、Alice 执行过 'remove'，那么即使 Dave 或 Mike 也执行过 'upgrade'，该任务类型仍应被排除。
实现的关键在于两步逻辑：
- 提取离职人员执行的所有任务类型（去重）；
- 从原始 DataFrame 中筛选出“任务类型不在上述集合中”的所有行。
以下是完整可运行示例：
import pandas as pd
# 原始数据
df = pd.DataFrame({
'task type': ['install', 'upgrade', 'install', 'remove', 'upgrade'],
'users': ['Dave', 'Carol', 'Mike', 'Alice', 'Dave']
})
leavers = ['Carol', 'Alice']
# 步骤1：获取离职人员执行过的所有唯一 task type
leaver_task_types = df.loc[df['users'].isin(leavers), 'task type'].unique()
# 步骤2：保留 task type 完全未被 leavers 触达的行
filtered_df = df[~df['task type'].isin(leaver_task_types)]
print("过滤后数据：")
print(filtered_df)
# 输出：
# task type users
# 0 install Dave
# 2 install Mike
# 进一步统计各任务类型的出现频次（按降序）
result = filtered_df.groupby('task type').size().sort_values(ascending=False)
print("\n剩余任务类型频次统计：")
print(result)
# task type
# install 2
# dtype: int64⚠️ 注意事项：
-
isin()对 Series 的操作返回布尔索引，配合~实现高效逻辑非，避免循环或apply()，性能更优； - 使用
.unique()而非.values或直接切片，确保去重且返回 NumPy 数组，兼容性更强； - 若需保留原始索引连续，可在最后添加
.reset_index(drop=True)； - 此方法严格遵循“任务类型级隔离”，不因用户重叠而妥协——这是与
df[~df['users'].isin(leavers)]（仅过滤用户行）的本质区别。
总结：该方案以语义清晰、向量化高效的方式，精准实现“任务类型黑名单过滤”，适用于权限审计、职责交接分析及流程优化等典型场景。
