本文详解为何 ~pd.Series([False]).sum() 返回负数，揭示运算符优先级导致的常见误用，并提供正确写法：先对 Series 应用逻辑非（~），再调用 .sum()。
本文详解为何 `~pd.series([false]).sum()` 返回负数，揭示运算符优先级导致的常见误用，并提供正确写法：先对 series 应用逻辑非（`~`），再调用 `.sum()`。
在 Pandas 中，对布尔型 Series 进行逻辑取反（即“非”操作）后求和，是一个高频需求——例如统计缺失值（isna() 结果取反得非空数量）、筛选条件的补集计数等。但若写法不当，极易得到完全错误的结果。
问题根源在于 Python 运算符优先级：~（按位取反）的优先级低于属性访问（.），因此表达式 ~pd.Series([True]).sum() 实际被解析为 ~(pd.Series([True]).sum())，而非直观理解的 (~pd.Series([True])).sum()。
这意味着：
- pd.Series([True]).sum() 先执行 → 返回 Python 整数 1
- 再对整数 1 执行 ~1 → 按位取反（二进制补码），结果为 -2
- 同理，~pd.Series([False]).sum() 等价于 ~0 → 结果为 -1
这显然不是业务意图——我们想要的是对布尔序列逐元素取反后的逻辑和（即 True 的个数），而非对整数求按位反。
✅ 正确做法：使用括号明确运算顺序，确保 ~ 作用于 Series 对象本身：
import pandas as pd s_true = pd.Series([True]) s_false = pd.Series([False]) # ✅ 正确：先取反 Series，再求和 print((~s_true).sum()) # 输出: 0 （因为 ~[True] → [False]，False.sum() = 0） print((~s_false).sum()) # 输出: 1 （因为 ~[False] → [True]，True.sum() = 1） # ✅ 更实用的示例：统计非空值数量 s_with_na = pd.Series([1, None, 3, 4]) non_null_count = (~s_with_na.isna()).sum() print(non_null_count) # 输出: 3
⚠️ 注意事项：
- ~ 在 Pandas 中对布尔型 Series 执行的是逐元素逻辑非（等价于 Series.map(lambda x: not x)），结果仍为布尔型 Series，可安全调用 .sum()（Pandas 将 True 视为 1，False 视为 0）；
- 避免省略括号：~s.sum() 是危险陷阱，应始终写作 (~s).sum()；
- 替代方案（语义更清晰）：使用 s.eq(False).sum() 或 (~s).sum()，或直接用 len(s) - s.sum()（仅适用于纯布尔 Series）；
- 若 Series 含非布尔值（如 NaN），~ 会引发 TypeError，此时应先用 fillna(False) 或 s.astype(bool) 显式转换。
总结：Pandas 的链式操作简洁有力，但必须敬畏 Python 原生运算符规则。牢记「先括号、再运算」原则——(~series).sum() 不仅语法正确，更是语义精准的工程实践。
