带和不带括号的熊猫逻辑和运算符产生不同的结果[重复]

Question

我刚刚注意到这一点：

df[df.condition1 & df.condition2]
df[(df.condition1) & (df.condition2)]

为什么这两行的输出不同？

---

我无法分享确切的数据，但我会尽量提供详细信息：

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，这就是发生的事情，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&符号的优先级高于==，所以不带括号的False == False & False相当于：

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会更容易一些：

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

所以吸取的教训：总是加括号！！！

我希望我可以将答案点分成@jezrael 和@ayhan :(

Answer 1

df[condition1 & condition2] 和 df[(condition1) & (condition2)] 之间没有区别。当您编写表达式并且运算符 & 优先时，就会出现差异：

df = pd.DataFrame(np.random.randint(0, 10, size=(5, 3)), columns=list('abc'))    
df
Out: 
   a  b  c
0  5  0  3
1  3  7  9
2  3  5  2
3  4  7  6
4  8  8  1

condition1 = df['a'] > 3
condition2 = df['b'] < 5

df[condition1 & condition2]
Out: 
   a  b  c
0  5  0  3

df[(condition1) & (condition2)]
Out: 
   a  b  c
0  5  0  3

但是，如果你这样输入，你会看到一个错误：

df[df['a'] > 3 & df['b'] < 5]
Traceback (most recent call last):

  File "<ipython-input-7-9d4fd21246ca>", line 1, in <module>
    df[df['a'] > 3 & df['b'] < 5]

  File "/home/ayhan/anaconda3/lib/python3.5/site-packages/pandas/core/generic.py", line 892, in __nonzero__
    .format(self.__class__.__name__))

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

这是因为首先评估 3 & df['b']（这对应于您的示例中的 False & df.col2.isnull()）。所以你需要将括号中的条件分组：

df[(df['a'] > 3) & (df['b'] < 5)]
Out[8]: 
   a  b  c
0  5  0  3

Answer 2

你是对的，这是不同的，我认为运营商的优先级存在问题 - 检查docs：

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

# operator & precedence
print (df[df.col1 == False & df.col2.isnull()])
    col1  col2
1  False   NaN
2  False   NaN
3  False   1.0

# operator == precedence bacause in brackets
print (df[(df.col1 == False) & (df.col2.isnull())])
    col1  col2
1  False   NaN
2  False   NaN

似乎我在docs - 6.16 中找到了它。 & 的运算符优先级比 == 更高：

Operator                                Description

lambda                                  Lambda expression
if – else                               Conditional expression
or                                      Boolean OR
and                                     Boolean AND
not x                                   Boolean NOT
in, not in, is, is not,                 Comparisons, including membership tests    
<, <=, >, >=, !=, ==                    and identity tests
|                                       Bitwise OR
^                                       Bitwise XOR
&                                       Bitwise AND

(expressions...), [expressions...],     Binding or tuple display, list display,       
{key: value...}, {expressions...}       dictionary display, set display