2-2 布尔索引的分诊条件

2-2 布尔索引：按症状筛人

本节摘要：布尔索引用一个与数据等长的真值序列筛行，条件用&、|、~组合且必须加括号。本节还讲isin、between两件替代器械，以及布尔条件在缺失值上的失效行为，为第03章内科检查埋好伏笔。

上一节学会了按号取行，但分诊的真实场景是"把金额大于一千的线上交易都叫来"。这要求的不是位置也不是标签，而是症状本身。

掩码是怎么工作的

import pandas as pd

df = pd.DataFrame({
    '门店': ['A', 'B', 'A', 'C', 'A'],
    '金额': [1280, 960, 1732, 880, 2100],
    '渠道': ['线上', '线下', '线上', '线上', '线下'],
})

# 第一步：比较运算生成掩码——与df等长的真值序列
mask = df['金额'] > 1000
print(mask)
# 0     True
# 1    False
# 2     True
# 3    False
# 4     True
# Name: 金额, dtype: bool

# 第二步：掩码放进索引位，True的行被叫出来
print(df[mask])
#   门店   金额   渠道
# 0    A  1280   线上
# 2    A  1732   线上
# 4    A  2100   线下
​

理解了"先造一张等长的真假条、再按条放行"，布尔索引的所有限就都好懂了：掩码长度不匹配会报IndexingError，掩码里有非布尔值会抛TypeError。

组合条件的括号纪律

# 症状叠加：金额超一千 且 线上渠道
# and不行，必须用 & 且两侧加括号
print(df[(df['金额'] > 1000) & (df['渠道'] == '线上')])
#   门店   金额   渠道
# 0    A  1280   线上
# 2    A  1732   线上

# 或与非
high = df['金额'] > 1000
online = df['渠道'] == '线上'
print(df[high | ~online].shape)   # (3, 3)

# 常见报错现场：漏括号
# df[df['金额'] > 1000 & df['渠道'] == '线上']
# 抛出 TypeError：& 的优先级高于比较运算
# 系统先算 1000 & df['渠道']，再拿结果比较，彻底错乱
​

⚠️ 常见坑：位运算符优先级高于比较。每个条件必须用括号包住，没有例外。见到"cannot compare str and int"这类离奇报错，九成是漏了括号。

两件替代器械

复杂条件有更省事的写法。分诊场景里最高频的两件：

# isin：症状属于一个集合
print(df[df['门店'].isin(['A', 'B'])].shape)   # (4, 3)
print(df[~df['门店'].isin(['A'])].shape)        # 非A门店，(2, 3)

# between：区间内，含两端
print(df[df['金额'].between(900, 1800)])
#   门店   金额   渠道
# 0    A  1280   线上
# 1    B   960   线下
# 2    A  1732   线上

# str访问器：症状藏在文本里
print(df[df['渠道'].str.startswith('线')].shape)  # (5, 3)
​

缺失值上的失效行为

sick = pd.DataFrame({'金额': [100, None, 300], '渠道': ['线上', '线下', None]})
print(sick[sick['金额'] > 150])
#    金额  渠道
# 2  300.0  None
​

注意第1行：金额缺失（None），比较结果既非True也非False而是NaN，放进索引位被当作False处理。也就是说布尔筛选会静默丢掉缺失行——你不会收到任何警告。如果分诊的目的是"筛出可疑交易去人工复核"，缺失金额恰恰最可疑，这时要先单独把缺失行捞出来：

missing_amount = sick[sick['金额'].isna()]
review = pd.concat([sick[sick['金额'] > 150], missing_amount])
print(review.shape)  # (2, 2) 大额行与缺失行都进入复核名单
​

症状筛人的流程

布尔筛选在缺失值上的分流

本节要点回顾

• 掩码机制：比较运算生成等长真值序列，索引位按真假放行
• 括号纪律：&的优先级高于比较，每个子条件必须括号包裹
• isin与between替代多条件等值与区间筛选，可读性高
• str访问器让文本列也能挂症状条件
• 缺失行被静默丢弃：复核类任务先用isna捞缺失，这是通往第03章的门

追问：query和这些什么关系

同样的条件筛选，还有一件更省笔墨的器械：query。它把条件写成一句话字符串，and、or直接用，括号纪律都免了：

print(df.query('金额 > 1000 and 渠道 == "线上"'))
#   门店   金额   渠道
# 0    A  1280   线上
# 2    A  1732   线上

# 局部变量用@引入，区间用between的写法也直接支持
low, high = 900, 1800
print(df.query('@low <= 金额 <= @high').shape)  # (3, 3)
​

两种写法结果完全一致，选择标准是可读性与规模：条件三四个以上、数据量上十万行时query的字符串表达式更清爽也更省内存（它不在Python层面生成一串中间布尔列）；探索阶段、需要逐步调试每个子条件时，传统掩码写法更直观。query的完整展开在第08章的性能话题里，这里先混个脸熟。

缺失行复核的完整案例

把缺失分流的知识串成一个真实流程：复核名单要包含"金额大于一千五"与"金额缺失"两类，并标注原因。

sick = pd.DataFrame({'单号': ['T1', 'T2', 'T3', 'T4'],
                     '金额': [1600, 900, None, 2100]})
big = sick[sick['金额'] > 1500].assign(原因='大额复核')
miss = sick[sick['金额'].isna()].assign(原因='金额缺失')
review = pd.concat([big, miss]).sort_values('单号')
print(review)
#   单号    金额    原因
# 0  T1  1600.0  大额复核
# 2  T3     NaN    金额缺失
# 3  T4  2100.0  大额复核
​

写复核逻辑时最容易犯的就是漏掉缺失行——布尔条件对NaN静默返回False，没有任何提示。养成"筛选之后对一遍行数"的习惯：筛选结果加缺失行数应该等于符合业务预期的总量，数字对不上就说明有分支被静默吞了。

下一节处理分诊台的立体结构：多层索引。