Pandas中~运算符的适用场景与存在必要性探讨

你提到的~(df['col_A'] == 120)确实可以用df['col_A'] != 120替代，但~作为布尔数组的按位取反运算符，在很多复杂场景下是!=无法替代的——它的核心价值是能直接对整个布尔掩码（Series/DataFrame）进行取反，而非仅针对单个等式判断：

• 处理内置方法返回的布尔结果
  Pandas很多内置方法会直接返回布尔Series，比如isnull()、duplicated()、between()等，此时用~取反比重新写逻辑更简洁直观：
  例1：筛选非空值

  # 用~取反isnull()结果，写法更直接
  df[~df['col_A'].isnull()]
  # 等价但语义稍弱的写法
  df[df['col_A'].notnull()]
  

  例2：筛选非重复行

  # 取反duplicated()结果，快速保留唯一行
  df[~df.duplicated(subset=['col_A'])]
  # 不用~的话，得写复杂的反向逻辑，远不如直接取反高效
  

  例3：筛选不在指定区间内的值

  # 取反between()的结果，筛选100-200以外的数值
  df[~df['col_A'].between(100, 200)]
  # 等价写法需要拆成两个条件，代码冗长
  df[(df['col_A'] < 100) | (df['col_A'] > 200)]
  

• 对组合条件整体取反
  当你有一个由多个条件组合成的复杂布尔掩码时，~可以直接对整个掩码取反，避免重复编写反向逻辑，减少出错概率：
  比如原条件是筛选"col_A>100且col_B=='active'"的行，现在要取反这个整体条件：

  mask = (df['col_A'] > 100) & (df['col_B'] == 'active')
  # 取反整体掩码，得到不符合原条件的所有行
  df[~mask]
  # 不用~的话，得手动拆解否定后的逻辑，容易写错
  df[(df['col_A'] <= 100) | (df['col_B'] != 'active')]
  

  尤其是当组合条件包含多层&和|时，直接用~取反整体掩码，代码的可读性和维护性会高很多。

• 布尔DataFrame的批量取反
  如果需要对整个DataFrame的布尔判断结果取反（比如比较整个DataFrame和某个值），~可以一次性完成所有元素的取反操作，语义上比!=更清晰地表达"取反"意图：

  # 取反"整个DataFrame不等于0"的判断，得到等于0的元素位置
  ~(df != 0)
  # 等价但语义稍弱的写法
  df == 0
  

总结来说，!=适合单个值的不等判断，而~是针对整个布尔数组/掩码的取反工具，在处理内置方法返回的布尔结果、复杂组合条件的整体否定时，是不可替代的高效写法。

内容的提问来源于stack exchange，提问作者NaiveBae