为何不同版本pandas.Series.replace()的布尔值替换功能存在差异

问题根因 #

该行为差异源于pandas 1.0版本后replace方法的匹配逻辑调整：
Python中布尔类型是整数的子类，True == 1、False == 0的判断恒成立。pandas 0.24.2版本的replace方法做值匹配时会严格区分布尔类型与整数类型，而1.1.3版本中replace会隐式执行兼容类型转换后再做匹配，因此出现匹配混乱：

• 链式调用a.replace(True, 1.2).replace(False, 1)时，第一步替换True为1.2后，Series的dtype转换为float，原有False值在float类型下等价于0.0，第二步调用replace(False, 1)时，False会被转换为0.0做匹配，因此原False对应的0值不会被替换为1
• 传入字典参数{True: 1.2, False: 1}时，由于1 == True，匹配逻辑出现冲突，最终所有值被错误替换为1

更优解决方案 #

不需要额外添加astype(int)转换，以下方法均可直接实现需求：

1. 使用map方法做严格映射：
   map方法基于哈希值做精确匹配，不会出现隐式类型转换的问题，是这类固定映射场景的最优选择：

a.map({True: 1.2, False: 1})

输出符合预期：

0    1.2
1    1.0
2    1.0
3    1.2
dtype: float64

2. 使用numpy.where做条件替换：
   适合二分类的替换场景，逻辑清晰执行效率高：

import numpy as np
res = pd.Series(np.where(a, 1.2, 1))

3. 高版本pandas指定匹配规则：
   pandas >=1.3.0版本的replace方法新增了严格匹配参数，可关闭隐式类型转换：

a.replace({True: 1.2, False: 1}, regex=False)

内容的提问来源于stack exchange，提问作者Simon1