Python 级数的真值是模糊的。使用a.empty、a.bool（）、a.item（）、a.any（）或a.all（）

使用

或

条件筛选我的结果数据帧时出现问题。我希望我的结果

df

提取所有大于0.25且小于-0.25的列

var

值

下面的逻辑为我提供了一个模糊的真值，但当我将此过滤拆分为两个单独的操作时，它仍然有效。这里发生了什么？不确定在何处使用建议的

a.empty（）、a.bool（）、a.item（）、a.any（）或a.all（）

result=result[（result['var']>0.25）或（result['var']<-0.25）]

python语句中的

或
和
和
需要
真值。对于
熊猫
这些被认为是不明确的，因此您应该使用“按位”
（or）或
&
（and）操作：

result = result[(result['var']>0.25) | (result['var']<-0.25)]

您遇到的是运算符隐式地将操作数转换为
bool
（您使用了
或
，但对
和
，
if
和
while
也会发生这种情况）：

除了这4条语句外，还有一些python函数隐藏了一些
bool
调用（如
any
，
all
，
filter
，…），这些函数通常不会对
pandas.Series
产生问题，但为了完整性，我想提及这些函数


在您的案例中，异常并没有真正的帮助，因为它没有提到正确的替代方案。对于
和
和
或
，您可以使用（如果您希望进行元素比较）：


:

或者简单地使用
|
操作符：

>>> x | y

>>> x & y


:

或者只需
和
操作员：

>>> x | y

>>> x & y



如果您使用的是运算符，请确保正确设置括号，因为

有一些可以在熊猫系列
上使用


如果在执行
if
或
while
时遇到异常，则异常中提到的备选方案更适合。我将很快解释其中的每一个：


如果要检查序列是否为空：

>>> x = pd.Series([])
>>> x.empty
True
>>> x = pd.Series([1])
>>> x.empty
False

Python通常将容器的
len
gth（如
list
，
tuple
，…）解释为真值，如果它没有显式的布尔解释。因此，如果需要类似python的检查，可以执行：
if x.size
或
if not x.empty
而不是
if x

如果您的
系列
包含一个且仅包含一个布尔值：

>>> x = pd.Series([100])
>>> (x > 50).bool()
True
>>> (x < 50).bool()
False


如果要检查所有或任何项是否不为零、不为空或不为假：

>>> x = pd.Series([0, 1, 2])
>>> x.all()   # because one element is zero
False
>>> x.any()   # because one (or more) elements are non-zero
True


python语句的
或
和
和
需要
真值。对于
熊猫
这些被认为是不明确的，因此您应该使用“按位”
（or）或
&
（and）操作：

result = result[(result['var']>0.25) | (result['var']<-0.25)]

您遇到的是运算符隐式地将操作数转换为
bool
（您使用了
或
，但对
和
，
if
和
while
也会发生这种情况）：

除了这4条语句外，还有一些python函数隐藏了一些
bool
调用（如
any
，
all
，
filter
，…），这些函数通常不会对
pandas.Series
产生问题，但为了完整性，我想提及这些函数


在您的案例中，异常并没有真正的帮助，因为它没有提到正确的替代方案。对于
和
和
或
，您可以使用（如果您希望进行元素比较）：


:

或者简单地使用
|
操作符：

>>> x | y

>>> x & y


:

或者只需
和
操作员：

>>> x | y

>>> x & y



如果您使用的是运算符，请确保正确设置括号，因为

有一些可以在熊猫系列
上使用


如果在执行
if
或
while
时遇到异常，则异常中提到的备选方案更适合。我将很快解释其中的每一个：


如果要检查序列是否为空：

>>> x = pd.Series([])
>>> x.empty
True
>>> x = pd.Series([1])
>>> x.empty
False

Python通常将容器的
len
gth（如
list
，
tuple
，…）解释为真值，如果它没有显式的布尔解释。因此，如果需要类似python的检查，可以执行：
if x.size
或
if not x.empty
而不是
if x

如果您的
系列
包含一个且仅包含一个布尔值：

>>> x = pd.Series([100])
>>> (x > 50).bool()
True
>>> (x < 50).bool()
False


如果要检查所有或任何项是否不为零、不为空或不为假：

>>> x = pd.Series([0, 1, 2])
>>> x.all()   # because one element is zero
False
>>> x.any()   # because one (or more) elements are non-zero
True


对于布尔逻辑，使用
&
和

np.random.seed(0)
df = pd.DataFrame(np.random.randn(5,3), columns=list('ABC'))

>>> df
          A         B         C
0  1.764052  0.400157  0.978738
1  2.240893  1.867558 -0.977278
2  0.950088 -0.151357 -0.103219
3  0.410599  0.144044  1.454274
4  0.761038  0.121675  0.443863

>>> df.loc[(df.C > 0.25) | (df.C < -0.25)]
          A         B         C
0  1.764052  0.400157  0.978738
1  2.240893  1.867558 -0.977278
3  0.410599  0.144044  1.454274
4  0.761038  0.121675  0.443863

当您有多个条件时，将返回多个列。这就是连接逻辑不明确的原因。使用
和
或
或
分别处理每个列，因此首先需要将该列减少为单个布尔值。例如，查看每列中的任何值或所有值是否为真

# Any value in either column is True?
(df.C > 0.25).any() or (df.C < -0.25).any()
True

# All values in either column is True?
(df.C > 0.25).all() or (df.C < -0.25).all()
False

#任一列中的任何值是否为真？
（df.C>0.25）.任何（）或（df.C<-0.25）.任何（）
真的
#任一列中的所有值都为真？
（df.C>0.25）.all（）或（df.C<-0.25）.all（）
假的

实现相同功能的一种复杂方法是将所有这些列压缩在一起，并执行适当的逻辑

>>> df[[any([a, b]) for a, b in zip(df.C > 0.25, df.C < -0.25)]]
          A         B         C
0  1.764052  0.400157  0.978738
1  2.240893  1.867558 -0.977278
3  0.410599  0.144044  1.454274
4  0.761038  0.121675  0.443863

>>>df[[任何（[a，b]），用于压缩中的a，b（df.C>0.25，df.C<-0.25）]]
A、B、C
0  1.764052  0.400157  0.978738
1  2.240893  1.867558 -0.977278
3  0.410599  0.144044  1.454274
4  0.761038  0.121675  0.443863

有关更多详细信息，请参阅文档中的。
有关布尔逻辑，请使用
&
和
|

np.random.seed(0)
df = pd.DataFrame(np.random.randn(5,3), columns=list('ABC'))

>>> df
          A         B         C
0  1.764052  0.400157  0.978738
1  2.240893  1.867558 -0.977278
2  0.950088 -0.151357 -0.103219
3  0.410599  0.144044  1.454274
4  0.761038  0.121675  0.443863

>>> df.loc[(df.C > 0.25) | (df.C < -0.25)]
          A         B         C
0  1.764052  0.400157  0.978738
1  2.240893  1.867558 -0.977278
3  0.410599  0.144044  1.454274
4  0.761038  0.121675  0.443863

当您有多个条件时，将返回多个列。
mask = (df["col1"]>=df["col2"]) & (stock["col1"]<=df["col2"])
df_new = df[mask]

df[(some condition) conditional operator (some conditions)]

df[some condition conditional-operator some condition]

0.4808 x[(x > lb) * (x <= ub)]
0.4726 x[(x > lb) & (x <= ub)]
0.4904 x[np.logical_and(x > lb, x <= ub)]

0.4725 x[(x > lb) * (x <= ub)]
0.4806 x[(x > lb) & (x <= ub)]
0.5002 x[np.logical_and(x > lb, x <= ub)]

0.4781 x[(x > lb) * (x <= ub)]
0.4336 x[(x > lb) & (x <= ub)]
0.4974 x[np.logical_and(x > lb, x <= ub)]

import numpy as np
import random
lb, ub = np.sort([random.random() * 100, random.random() * 100]).tolist()
lb, ub
x = pd.DataFrame(np.linspace(0,100))

def asterik(x):
    x = x.to_numpy()
    return x[(x > lb) * (x <= ub)]

def and_symbol(x):
    x = x.to_numpy()
    return x[(x > lb) & (x <= ub)]

def numpy_logical(x):
    x = x.to_numpy()
    return x[np.logical_and(x > lb, x <= ub)]

for i in range(3):
    %timeit asterik(x)
    %timeit and_symbol(x)
    %timeit numpy_logical(x)
    print('\n')

23 µs ± 3.62 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
35.6 µs ± 9.53 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)
31.3 µs ± 8.9 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)


21.4 µs ± 3.35 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
21.9 µs ± 1.02 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)
21.7 µs ± 500 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)


25.1 µs ± 3.71 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)
36.8 µs ± 18.3 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)
28.2 µs ± 5.97 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)