如何修复DataFrame双条件判断中的TypeError并规避浮点类型错误

现有如下包含Datetime、kt、CMF列的DataFrame：

Datetime                  kt         CMF
2022-06-09 12:33:00 0.4164263068002197  0.8847680578178683
2022-06-09 12:34:00 0.42792520202792106 0.8725120368719221
2022-06-09 12:35:00 0.5134482518105007  0.8602633894204332
2022-06-09 12:36:00 0.5306221108293145  0.8480020389466362
2022-06-09 12:37:00 0.576460973390728   0.8357518604940146
2022-06-09 12:38:00 0.5787411028480746  0.823494817828331
2022-06-09 12:39:00 0.5941322373815262  0.8112418608843985

需要添加新列sun disk，规则为：当CMF>=0.8且kt>=0.6时标记为non blocked disk，否则标记为blocked disk。

尝试执行以下代码时触发错误：

frames['sun disk'] = np.where((frames['CMF'] >= 0.8 & frames['clearness index (kt)'] >= 0.6 ) , "non blocked" , 'blocked')

错误信息：

TypeError: Cannot perform 'rand_' with a dtyped [float64] array and scalar of type [bool]

1. 修复逻辑运算符优先级与列名错误 #

错误的核心原因是位运算&的优先级高于比较运算符>=，导致代码先执行0.8 & frames['clearness index (kt)']，将浮点数与布尔数组做位运算，触发类型错误。同时代码中列名clearness index (kt)与实际DataFrame中的kt不符，会导致列不存在问题。

修正后的基础代码：

import numpy as np

frames['sun disk'] = np.where(
    (frames['CMF'] >= 0.8) & (frames['kt'] >= 0.6),
    "non blocked disk",
    "blocked disk"
)

• 给每个比较条件单独加括号，确保先执行比较运算得到布尔数组，再执行逻辑与运算&
• 修正列名为实际存在的kt
• 统一标记文本为需求中的non blocked disk和blocked disk

2. 规避浮点精度问题 #

由于浮点数存在存储精度误差（比如0.8可能被存储为0.7999999999999999），直接用>=比较可能出现不符合预期的结果，可通过以下两种方式解决：

方式一：使用近似相等判断 #

借助pandas的isclose函数，允许一定误差范围：

# 构造条件：CMF接近或大于0.8，且kt接近或大于0.6
cmf_condition = pd.isclose(frames['CMF'], 0.8, atol=1e-9) | (frames['CMF'] > 0.8)
kt_condition = pd.isclose(frames['kt'], 0.6, atol=1e-9) | (frames['kt'] > 0.6)
frames['sun disk'] = np.where(cmf_condition & kt_condition, "non blocked disk", "blocked disk")

方式二：四舍五入后比较 #

如果业务允许，先对浮点数列保留固定小数位再比较：

condition = (frames['CMF'].round(6) >= 0.8) & (frames['kt'].round(6) >= 0.6)
frames['sun disk'] = np.where(condition, "non blocked disk", "blocked disk")

验证结果 #

根据示例数据，所有行的kt值均小于0.6，因此新列sun disk的所有值都会是blocked disk。

内容的提问来源于stack exchange，提问作者span_path