可為 Null 的布林資料類型#
注意
BooleanArray 目前為實驗性質。其 API 或實作可能不經預告而變更。
使用 NA 值進行索引#
pandas 允許使用布林陣列中的 NA 值進行索引，這些值會被視為 False。
In [1]: s = pd.Series([1, 2, 3])
In [2]: mask = pd.array([True, False, pd.NA], dtype="boolean")
In [3]: s[mask]
Out[3]:
0 1
dtype: int64
如果您想保留 NA 值，您可以手動使用 fillna(True) 填入這些值。
In [4]: s[mask.fillna(True)]
Out[4]:
0 1
2 3
dtype: int64
克萊尼邏輯運算#
arrays.BooleanArray 實作 克萊尼邏輯（有時稱為三值邏輯），用於邏輯運算，例如 &（與）、|（或）和 ^（異或）。
此表格示範了每個組合的結果。這些運算具有對稱性，因此左右兩邊互換並不會影響結果。
表達式 |
結果 |
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
當運算中出現 NA 時，只有當無法僅根據其他輸入來確定結果時，輸出值才會是 NA。例如，真 | NA 是 真，因為 真 | 真 和 真 | 假 都是 真。在這種情況下，我們實際上不需要考慮 NA 的值。
另一方面，真 & NA 是 NA。結果取決於 NA 實際上是 真 還是 假，因為 真 & 真 是 真，但 真 & 假 是 假，所以我們無法確定輸出。
這與 np.nan 在邏輯運算中的行為不同。pandas 視 np.nan 為輸出中永遠為假。
在 or
In [5]: pd.Series([True, False, np.nan], dtype="object") | True
Out[5]:
0 True
1 True
2 False
dtype: bool
In [6]: pd.Series([True, False, np.nan], dtype="boolean") | True
Out[6]:
0 True
1 True
2 True
dtype: boolean
在 and
In [7]: pd.Series([True, False, np.nan], dtype="object") & True
Out[7]:
0 True
1 False
2 False
dtype: bool
In [8]: pd.Series([True, False, np.nan], dtype="boolean") & True
Out[8]:
0 True
1 False
2 <NA>
dtype: boolean