Python中(&, |)与(and, or)运算符的区别及DataFrame使用注意事项

Alice

发布时间：2026-10-13 | 6人浏览过

原创

本文详解Python中(&, |)与(and, or)两组运算符的区别。数值变量下，前者执行位运算，后者依据非零值返回结果；逻辑变量下两者行为一致。重点指出在Pandas DataFrame多条件筛选时，必须使用&和|进行元素级逻辑运算，若误用and/or会引发ValueError。

Python中(&, |)与(and, or)的基本区别

在Python中，(&, |)与(and, or)是两组外观相似但机制不同的运算符，均用于处理“与”和“或”逻辑，但在具体用法和返回值上存在显著差异。它们通常用于比较两个变量，基本语法格式如下：


a & b
a | b
a and b
a or b

当变量a和b为数值类型时，(&, |)执行位运算（bitwise operation），而(and, or)则根据数值是否非零来判断真值，并返回相应的操作数。

&， |：


# 1&2，2在二进制里面是10,1在二进制中是01，那么01与运算10得到是0 


1 & 2     # 输出为 0， 
1 | 2     # 输出为3

具体来看(and, or)的行为：


# 判断变量是否为0， 是0则为False，非0判断为True，
 # and中含0，返回0； 均为非0时，返回后一个值， 
2 and 0  # 返回0
2 and 1  # 返回1
1 and 2  # 返回2

# or中， 至少有一个非0时，返回第一个非0,
2 or 0  # 返回2
2 or 1  # 返回2
0 or 1  # 返回1

若a和b为布尔逻辑变量，这两组运算符的使用结果基本一致。


In[103]:(3>0) | (3<1)
Out[103]: True
In[104]:(3>0) and (3<1)
Out[104]: False
In[105]:(3>0) or (3<1)
Out[105]: True
In[106]:(3>0) & (3<1)
Out[106]: False

DataFrame多条件筛选中的关键注意事项

需要特别注意的是，在使用Pandas DataFrame进行数据切片时，逻辑变量的处理方式至关重要。

当需要筛选满足多个逻辑条件的数据时，必须使用&和|。如果在DataFrame操作中错误地使用and或or，程序会报错‘ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().'。


target_url = "http://aima.cs.berkeley.edu/data/iris.csv"
data = pd.read_csv(target_url, header=None, columns=['s_line', 's_wid', 'p_line', 'p_wid', 'kind'])
data.columns = ['s_line', 's_wid', 'p_line', 'p_wid', 'kind']
x_data = data.iloc[:, :-1]

# 在多个逻辑条件下，用& 或者|，
x_1 = x_data[x_data['s_line'] > 6 & x_data['p_wid'] > 0]