<分区>
我刚注意到:
df[df.condition1 & df.condition2]
df[(df.condition1) & (df.condition2)]
为什么这两行的输出不同？
我不能分享确切的数据，但我会尽力提供尽可能多的细节:
df[df.col1 == False & df.col2.isnull()] # returns 33 rows and the rule `df.col2.isnull()` is not in effect
df[(df.col1 == False) & (df.col2.isnull())] # returns 29 rows and both conditions are applied correctly
感谢@jezrael 和@ayhan，这是发生的事情，让我使用@jezael 提供的示例:
df = pd.DataFrame({'col1':[True, False, False, False],
'col2':[4, np.nan, np.nan, 1]})
print (df)
col1 col2
0 True 4.0
1 False NaN
2 False NaN
3 False 1.0
如果我们看一下第 3 行:
col1 col2
3 False 1.0
以及我写条件的方式:
df.col1 == False & df.col2.isnull() # is equivalent to False == False & False
因为 & 符号比 == 有更高的优先级，没有括号 False == False & False 等同于:
False == (False & False)
print(False == (False & False)) # prints True
带括号:
print((False == False) & False) # prints False
我认为用数字来说明这个问题更容易一些:
print(5 == 5 & 1) # prints False, because 5 & 1 returns 1 and 5==1 returns False
print(5 == (5 & 1)) # prints False, same reason as above
print((5 == 5) & 1) # prints 1, because 5 == 5 returns True, and True & 1 returns 1
所以吸取教训:总是加括号!!!
我希望我可以将答案分给@jezrael 和@ayhan :(