或者，也可以使用操作员模块。更多详细信息请参见Python文档：

import operator
import numpy as np
import pandas as pd

np.random.seed(0)
df = pd.DataFrame(np.random.randn(5,3), columns=list('ABC'))
df.loc[operator.or_(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  0.4438

一件小事，浪费了我的时间。

将条件（如果使用“=”，“！=”进行比较）放在括号中。未能做到这一点也会引发这种例外。

这将起作用：

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

这不会：

df[some condition conditional-operator some condition]

对于布尔逻辑，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

要查看正在发生的情况，您将为每个比较获得一列布尔值，例如。，

df.C > 0.25

0     True
1    False
2    False
3     True
4     True
Name: C, dtype: bool

当您有多个条件时，将返回多个列。这就是联接逻辑不明确的原因。使用和或或单独处理每一列，因此首先需要将该列减少为一个布尔值。例如，查看每个列中的任何值或所有值是否为True。

# 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

实现相同目的的一种复杂方式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

有关详细信息，请参阅文档中的布尔索引。

您需要在panda中使用按位运算符|而不是或和&，而不是和。您不能简单地使用python中的bool语句。

对于非常复杂的过滤，请创建一个掩码并在数据帧上应用该掩码。将所有查询放入掩码并应用它，

mask = (df["col1"]>=df["col2"]) & (stock["col1"]<=df["col2"])
df_new = df[mask]

这是初学者在Pandas中创建多个条件时非常常见的问题。一般来说，有两种可能的情况导致此错误：

条件1：Python运算符优先级

有一段布尔索引|索引和选择数据-panda文档解释了这一点：

另一个常见的操作是使用布尔向量来过滤数据。运算符为：| for or，&for and，~ for not。这些必须使用括号进行分组。默认情况下，Python会将df['A']>2&df['B']<3这样的表达式求值为df['A']>（2&df['B']）<3，而所需的求值顺序是（df['A']>2）&（df['B']<3）。

# Wrong
df['col'] < -0.25 | df['col'] > 0.25

# Right
(df['col'] < -0.25) | (df['col'] > 0.25)

有一些可能的方法可以去掉括号，稍后我将介绍这一点。

条件2：操作员/声明不当

正如前面的报价中所解释的，您需要使用| for or、&for and和~ for not。

# Wrong
(df['col'] < -0.25) or (df['col'] > 0.25)

# Right
(df['col'] < -0.25) | (df['col'] > 0.25)

另一种可能的情况是在if语句中使用布尔级数。

# Wrong
if pd.Series([True, False]):
    pass

很明显，Python if语句接受类似布尔的表达式，而不是Pandas系列。您应该根据需要使用错误消息中列出的pandas.Series.any或方法将Series转换为值。

例如：

# Right
if df['col'].eq(0).all():
    # If you want all column values equal to zero
    print('do something')

# Right
if df['col'].eq(0).any():
    # If you want at least one column value equal to zero
    print('do something')

让我们来讨论在第一种情况下如何避开括号。

使用Pandas数学函数Pandas定义了许多数学函数，包括比较，如下所示：pandas.Series.lt（）表示小于；pandas.Series.gt（）表示大于；pandas.Series.le（）表示小于等于；pandas.Series.ge（）表示大于或等于；pandas.Series.ne（）表示不相等；pandas.Series.eq（）表示相等；因此，您可以使用df=df[（df['col']<-0.25）|（df['col']>0.25）]#等于df=df[df['col'].lt（-0.25）|df['col'].gt（0.25）]使用pandas.Series.between（）如果要在两个值之间选择行，可以使用pandas.Series.between：df['col]。between（左，右）等于（左<=df['col']）&（df['cor']<=右）；df['col].bween（左，右，包括='left）等于（左<=df['col']）&（df['cor']<右）；df['col].bween（left，right，inclusive='right'）等于（左<df['col']）&（df['cor']<=右）；df['col].bween（左，右，包括='norther'）等于（左<df['col']）&（df['cor']<右）；df=df[（df['col']>-0.25）&（df['col']<0.25）]#等于df=df[df['col'].介于（-0.25，0.25，包括“任一”）]使用pandas.DataFrame.query（）前面引用的文档有一章query（）方法很好地解释了这一点。pandas.DataFrame.query（）可以帮助您选择带有条件字符串的DataFrame。在查询字符串中，可以使用按位运算符（&和|）及其布尔表（和/或）。此外，可以省略括号，但出于可读性的原因，我不建议使用。df=df[（df['col']<-0.25）|（df['col']>0.25）]#等于df=df.query（'col<-0.25或col>0.25'）使用pandas.DataFrame.eval（）pandas.DataFrame.eval（）计算描述DataFrame列操作的字符串。因此，我们可以使用此方法来构建多个条件。语法与pandas.DataFrame.query（）相同。df=df[（df['col']<-0.25）|（df['col']>0.25）]#等于df=df[df.eval（'col<-0.25或col>0.25'）]pandas.DataFrame.query（）和pandas.DetaFrame.eval（）可以做的事情比我在这里描述的要多。建议您阅读他们的文档并与他们一起玩得开心。

我在熊猫数据框架中工作时也遇到过同样的问题。

我使用过：numpy.logical_and：

在这里，我试图选择Id与41d7853匹配且degree_type不与Certification匹配的行。

如下所示：

display(df_degrees.loc[np.logical_and(df_degrees['person_id'] == '41d7853' , df_degrees['degree_type'] !='Certification')])

如果我尝试编写如下代码：

display(df_degrees.loc[df_degrees['person_id'] == '41d7853' and df_degrees['degree_type'] !='Certification'])

我们将得到错误：

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

我使用了numpy.logical_，它对我很有用。