Python 无逻辑索引混乱

我是熊猫的新用户。 我不明白为什么代码是这样工作的。 当元素实际等于零时，为什么返回True

In [14]:
import pandas as pd
tweets = pd.DataFrame([None, None], columns=['country'])
print tweets['country'] != None

Out[14]:
0    True
1    True
Name: country, dtype: bool

---

谢谢。

我不确定表达式返回true的原因，但您可以使用内置的null checker来确定值是否为null：

print tweets.notnull()

country
0   False
1   False

对应的是

print tweets.isnull()

country
0   True
1   True

---

我不确定表达式返回true的原因，但您可以使用内置的null checker来确定值是否为null：

print tweets.notnull()

country
0   False
1   False

对应的是

print tweets.isnull()

country
0   True
1   True

---

简而言之，这是因为熊猫认为

None

在很大程度上等同于

NaN

，而

np.NaN==np.NaN

是

False

。正如@economy和其他人所说的，使用

isnull（）

或

notnull（）

方法来做你想做的事情

现在，我们来解释一下为什么这不是一个bug。相等运算符由

pandas.lib

中的Cython代码定义。具体来说，当您编写

tweets['country']==None

时，将调用

pandas.lib.scalar\u compare

。注意

scalar\u compare

的工作原理：

>>> pd.lib.scalar_compare(np.array([None]), None, operator.ne)
array([ True], dtype=bool)

---

这就是你看到的行为。现在，这不太可能是一个bug，因为如果我们看一下，它会指向一个显式处理

None

。如果我们看一下这个代码，我们会发现它本质上（非常有意地）说

None==None

是

False
简而言之，这是因为熊猫认为
None
在很大程度上等同于
NaN
，而
np.NaN==np.NaN
是
False
。正如@economy和其他人所说的，使用
isnull（）
或
notnull（）
方法来做你想做的事情

现在，我们来解释一下为什么这不是一个bug。相等运算符由
pandas.lib
中的Cython代码定义。具体来说，当您编写
tweets['country']==None
时，将调用
pandas.lib.scalar\u compare
。注意
scalar\u compare
的工作原理：

>>> pd.lib.scalar_compare(np.array([None]), None, operator.ne)
array([ True], dtype=bool)

这就是你看到的行为。现在，这不太可能是一个bug，因为如果我们看一下，它会指向一个显式处理
None
。如果我们看那段代码，我们会发现它本质上（非常有意地）说，
None==None
是
False
对我来说看起来像个bug。你应该做
tweets['country'].notnull（）
我认为这个比较不会像这样对我来说像个bug。你应该做
tweets['country'].notnull（）
我认为这种比较不会像这样起作用