Pandas布尔索引中~(==)与(!=).all()的结果差异疑问

问题背景 #

有如下4列的DataFrame：

dic = {
    "a": [1,1,1,0,0,1,1],
    "b": [0,0,1,1,0,0,0],
    "c": [1,0,1,0,0,1,0],
    "d": [0,0,1,0,0,1,0],
}

df = pd.DataFrame(data=dic)

输出结果：

a  b  c  d
0  1  0  1  0
1  1  0  0  0
2  1  1  1  1
3  0  1  0  0
4  0  0  0  0
5  1  0  1  1
6  1  0  0  0

需求是筛选出b、c、d列不全为0的行（忽略a列）。

使用~(df[names] == 0.0).all(axis=1)得到预期结果：

names = ["b","c","d"]
df_A = df.loc[~(df[names] == 0.0).all(axis=1)]

输出：

a  b  c  d
0  1  0  1  0
2  1  1  1  1
3  0  1  0  0
5  1  0  1  1

但使用(df[names] != 0.0).all(axis=1)得到完全不同的结果：

names = ["b","c","d"]
df_B = df.loc[(df[names] != 0.0).all(axis=1)]

输出：

a  b  c  d
2  1  1  1  1

差异原因 #

这两种写法逻辑完全不等价，核心是对“不全为0”的理解和布尔运算的逻辑顺序：

• (df[names] == 0.0).all(axis=1)：判断每行的b、c、d列全部等于0，返回布尔序列，其中True表示该行三列全为0。加上取反~后，~(...)表示**“并非全部为0”**，也就是“至少有一列不为0”，正好匹配需求——筛选出不全为0的行。
• (df[names] != 0.0).all(axis=1)：判断每行的b、c、d列全部不等于0，返回布尔序列，只有当该行三列都不为0时才返回True。这对应的是“全不为0”的筛选条件，和“不全为0”是完全不同的逻辑。

简单总结：

• ~(全为0) = 至少有一个不为0（即不全为0）
• 全不为0 = 所有列都不为0

前者包含“部分为0、部分不为0”和“全不为0”的行，后者只包含“全不为0”的行，因此结果差异明显。

内容的提问来源于stack exchange，提问作者Martin