除了作为位补操作符外，~还可以帮助恢复布尔值，尽管它不是常规的bool类型，而应该使用numpy.bool_。

这在，

import numpy as np
assert ~np.True_ == np.False_

反转逻辑值有时很有用，例如，下面的~操作符用于清理数据集，并返回没有NaN的列。

from numpy import NaN
import pandas as pd

matrix = pd.DataFrame([1,2,3,4,NaN], columns=['Number'], dtype='float64')
# Remove NaN in column 'Number'
matrix['Number'][~matrix['Number'].isnull()]

我唯一一次在实践中使用它是在numpy/pandas中。例如，使用.isin() dataframe方法。

在文档中，他们给出了这个基本的例子

>>> df.isin([0, 2])
        num_legs  num_wings
falcon      True       True
dog        False       True

但是如果你想要所有不在[0,2]中的行呢?

>>> ~df.isin([0, 2])
        num_legs  num_wings
falcon     False       False
dog        True        False

这是次要的用法是波浪…

def split_train_test_by_id(data, test_ratio, id_column):
    ids = data[id_column]
    in_test_set = ids.apply(lambda id_: test_set_check(id_, test_ratio)) 
    return data.loc[~in_test_set], data.loc[in_test_set]

上面的代码来自“Hands On Machine Learning”

您可以使用波浪号(~符号)作为-符号索引标记的替代

就像你用- - is表示整数索引一样

ex)

array = [1,2,3,4,5,6]
print(array[-1])

是一样的吗

打印(数组(~ 1))

除了作为位补操作符外，~还可以帮助恢复布尔值，尽管它不是常规的bool类型，而应该使用numpy.bool_。

这在，

import numpy as np
assert ~np.True_ == np.False_

反转逻辑值有时很有用，例如，下面的~操作符用于清理数据集，并返回没有NaN的列。

from numpy import NaN
import pandas as pd

matrix = pd.DataFrame([1,2,3,4,NaN], columns=['Number'], dtype='float64')
# Remove NaN in column 'Number'
matrix['Number'][~matrix['Number'].isnull()]

应该注意，在数组索引的情况下，array[~i]等于reversed_array[i]。它可以被视为从数组末尾开始的索引:

[0, 1, 2, 3, 4, 5, 6, 7, 8]
    ^                 ^
    i                ~i

它叫做二进制一号的补体(~)

它返回一个数的二进制数的补数。它翻转比特。2的二进制是00000010。它的补数是11111101。

这是-3的二进制。结果是-3。类似地，~1的结果是-2。

~-3

输出:2

同样，-3的补是2。