前言

Python中的 True和 False總是讓人困惑，一不小心就會用錯，本文總結了三個易錯點，分別是邏輯取反、if條件式和pandas.DataFrame.loc切片中的條件式。

1.True和False的邏輯取反

在對True和False進行邏輯取反時，不使用~，而要使用not。

因為在Python中，not才是邏輯取反，而~是按位取反。True和False對應的數值是1和0，~True就相當于對1按位取反，結果是-2，not True的結果才是False。

print(True)
print(~True)
print(not True)

結果是：

True
-2
False

類似的，~False的結果是1，not False 的結果才是True

print(False)
print(~False)
print(not False)

結果是：

False
-1
True

注：Python中 ~ 按位取反是按照數的補碼取反，即：

1 => 補碼00000001 => ~按位取反 => 補碼11111110 => 2

雙重否定的結果是這樣的

print(not not True)
print(~~True)
print(not ~True)
print(~(not True))

結果為：

True
1
False
-1

對False的雙重否定

print(not not False)
print(~~False)
print(not ~False)
print(~(not False))

結果為：

False
0
False
-2

2.if條件語句中的True和False

Python語言中，if后任何非0和非空（null）值為True，0或者null為False。這點和其他語言不相同，使用多種編程語言時很容易混淆。所以即使判斷條件是一個負數，也是按照True處理，不會執行else分支。來看例子：

if (-2):
    print('a')
else:
    print('b')

結果為：a

如果使用了~對True或False取反，則得不到想要的結果：

if (~True): # ~True == -2
    print('a')
else:
    print('b')

結果為：a

只有用not來取反，才能達到邏輯取反的效果：

if not True:
    print('a')
else:
    print('b')

結果為：b

3.pandas.DataFrame.loc 中的否定

pandas.DataFrame.loc 官方文檔中是這么說的
Access a group of rows and columns by label(s) or a boolean array.
可以使用布爾列表作為輸入，包括使用一個條件式來返回一個布爾列表，例:

首先創建一個DataFrame

import pandas as pd
 
df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
    index=['cobra', 'viper', 'sidewinder'],
    columns=['max_speed', 'shield'])
 
df

使用條件式來篩選出shield大于6的數據

df.loc[df['shield'] > 6]

?篩選出shield域小于等于6的數據，可以

df.loc[df['shield'] <= 6]

也可以用

~ df.loc[~(df['shield'] > 6)]

另一個例子，篩選出index中不包含er兩個字母的數據

df.loc[~df.index.str.contains('er')]

需要注意的是，在這里使用df.index.str.contains('er')作為條件篩選時，返回的是pd.Series。

而在pd.Series中， ~操作符重載了，它對布爾類型數據和對數值類型數據的處理分別是邏輯取反和按位取反。

df.index.str.contains('er')

的結果是:

array([False, True, True])

對布爾類型的pd.Series使用~取反，是邏輯取反

~pd.Series([False, True, False])

結果為

True
False
True
dtype: bool

而如果對數值型的pd.Series使用~取反，則是按位取反

~pd.Series([1,2,3])

結果為

-2
-3
-4
dtype: int64

總結