rainfall ＜400 和rainfall[rainfall ＜400]的区别

前言

在 pandas 中，rainfall < 400 和 rainfall[rainfall < 400] 是数据筛选的两个核心步骤，前者生成布尔掩码（判断矩阵），后者基于该掩码实现数据筛选取值，二者是依赖关系（后者必须基于前者才能生效），核心区别和使用逻辑如下，结合之前的降雨量 DataFrame 实例讲解更易理解。
先明确示例基础（基于推荐的 2 行 3 列 DataFrame）
先复用修正后的可运行代码，确定基础数据结构，后续所有分析基于此：

import pandas as pd
rainfall = pd.DataFrame(
data={
"City 1": [300.1, 100.2],
"City 2": [400.3, 300.4],
"City 3": [1000.5, 1100.6]
}
)
print(rainfall)
# 基础数据：2行（行索引0/1）、3列（City1/City2/City3）
# City 1 City 2 City 3
# 0 300.1 400.3 1000.5
# 1 100.2 300.4 1100.6

一、rainfall < 400：生成布尔掩码（Boolean Mask）

核心作用
对 DataFrame 中的每一个元素逐一进行「是否小于 400」的判断，返回一个和原 DataFrame 行列结构完全一致的新 DataFrame，其中每个位置的值只有 True（满足条件：<400）或 False（不满足条件：≥400）—— 这个新的布尔型 DataFrame 就是布尔掩码，仅用于「条件判断」，不直接返回原数据。

print(rainfall < 400)
# 行列和原数据完全一致，仅存True/False
# City 1 City 2 City 3
# 0 True False False
# 1 True True False

关键特性

二、rainfall[rainfall < 400]：基于布尔掩码筛选并提取原数据

核心作用
将 rainfall < 400 生成的布尔掩码作为行 / 列筛选条件传入原 DataFrame 的中括号 []，实现：
对原 DataFrame 中每一个位置，若掩码对应位置为 True：保留原数据的数值；
若掩码对应位置为 False：用 NaN（非数值）填充，代表该位置不满足条件。
最终返回一个和原 DataFrame 行列结构仍一致的新 DataFrame，其中「满足条件的位置保留原数值，不满足的位置为 NaN」—— 这是 pandas 中按条件筛选元素的标准用法。

print(rainfall[rainfall < 400])
# 行列结构不变，满足条件保留原值，不满足为NaN
# City 1 City 2 City 3
# 0 300.1 NaN NaN
# 1 100.2 300.4 NaN

关键特性

结构不变：行数、列数、索引 / 列名仍和原 DataFrame 一致；
保留原数值：满足条件的位置直接提取原数据的数值，类型不变；
不满足填 NaN：NaN 是 pandas 中缺失值的标准表示，方便后续缺失值处理（如删除、填充）；
依赖掩码：中括号内必须是和原 DataFrame 行列结构一致的布尔掩码，否则会报错。

三、核心区别总结（表格对比，一目了然）

四、拓展：如何提取「仅满足条件的纯数值（无 NaN、无结构）」？

如果需要只获取所有 < 400 的数值，不保留原行列结构、不含 NaN，可在掩码筛选后加 .dropna()（删除缺失值）或 .stack()（堆叠为一维），常用写法：

# 提取所有满足条件的数值，返回一维Series
valid_rain = rainfall[rainfall < 400].stack()
print(valid_rain)
# 输出：仅保留满足条件的原值，带原索引
# 0 City 1 300.1
# 1 City 1 100.2
# City 2 300.4
# dtype: float64

# 进一步转为纯列表
valid_rain_list = valid_rain.tolist()
print(valid_rain_list) # [300.1, 100.2, 300.4]

五、记忆口诀

先判断，后筛选；掩码是前提，取值靠中括号。
rainfall < 400 → 逐个判断打标签（True/False）
rainfall[掩码] → 按标签取值（留原值/填NaN）

最终总结