Pandas调用math.isclose筛选DataFrame索引触发TypeError报错

• math.isclose是Python标准库面向单个浮点标量设计的函数，入参必须是单个数值，无法直接接收pandas的Series对象。你传入整列round(df1['col2'],2)时，函数尝试把整列序列转换为单个float值失败，就会抛出TypeError: cannot convert the series to <class 'float'>错误。
• 你之前用==判断能正常运行，是因为pandas重写了Series的比较运算符，会自动做逐元素广播计算，返回和原序列等长的布尔Series，刚好适配索引筛选的语法要求，这是pandas专属的语法适配，math.isclose没有做pandas对象的兼容，所以不能直接套用==的写法。

优先选向量化实现，运行效率远高于逐元素遍历：

方案1：使用numpy的isclose（推荐） #

numpy的同类函数原生支持数组/Series的逐元素运算，直接替换math.isclose即可，参数里abs_tol对应numpy的atol：

import pandas as pd
import numpy as np

df1 = pd.DataFrame({'col1':[0,.05,0.74,0.76,1], 'col2': [0, 0.05,0.5, 0.75,1], 'x1': [1,2,3,4,5], 'x2': [5,6,7,8,9]})
result75 = df1.index[np.isclose(round(df1['col2'],2), 0.75, atol=0.011)].tolist()
value75 = df1['x2'][result75]
print(value75.mean())

方案2：直接写容差判断逻辑 #

不需要调用额外函数，直接用比较运算符组合容差范围即可，注意多条件判断时每个条件要单独加括号，用&做逻辑与（不能用Python原生的and）：

import pandas as pd

df1 = pd.DataFrame({'col1':[0,.05,0.74,0.76,1], 'col2': [0, 0.05,0.5, 0.75,1], 'x1': [1,2,3,4,5], 'x2': [5,6,7,8,9]})
tol = 0.011
mask = (round(df1['col2'],2) >= 0.75 - tol) & (round(df1['col2'],2) <= 0.75 + tol)
result75 = df1.index[mask].tolist()
value75 = df1['x2'][result75]
print(value75.mean())

方案3：逐元素调用math.isclose（不推荐，大数据量性能差） #

如果一定要用math模块的实现，可以用apply对Series里的每个值单独调用函数，本质是循环逐值判断，数据量大会明显变慢：

import pandas as pd
import math

df1 = pd.DataFrame({'col1':[0,.05,0.74,0.76,1], 'col2': [0, 0.05,0.5, 0.75,1], 'x1': [1,2,3,4,5], 'x2': [5,6,7,8,9]})
mask = round(df1['col2'],2).apply(lambda x: math.isclose(x, 0.75, abs_tol=0.011))
result75 = df1.index[mask].tolist()
value75 = df1['x2'][result75]
print(value75.mean())

• Python标准库math模块下的所有数值计算函数，基本都只支持单个标量输入，不能直接传入pandas Series、numpy数组这类序列对象
• 做整列/整矩阵的批量数值计算时，优先用numpy、pandas自带的向量化实现，比逐元素循环/遍历的性能高几个数量级

内容的提问来源于stack exchange，提问作者john