本文详解如何在pandas中正确结合isin()与其它条件（如年份匹配）进行数据过滤，重点解决因数据类型不匹配（如字符串'2025'误用于整型year列）导致返回空结果的常见问题。

在使用pandas进行数据筛选时，df.loc[...] 是常用方式，但更简洁、高效的做法是直接使用布尔索引。你遇到的“返回空DataFrame”问题，绝大多数情况下源于数据类型不一致——尤其是 Year 列实际存储为整数（int64），而代码中却用字符串 '2025' 进行比较，导致逻辑判断恒为 False。

✅ 正确做法是：先确认列的数据类型，再匹配对应类型：

# 查看Year列的数据类型
print(df['Year'].dtype)  # 常见输出：int64 或 object

• 若输出为 int64（推荐且常见），则必须使用整数字面量 2025：

  result = df[(df['Item Code'].isin(['04901', '04940'])) & (df['Year'] == 2025)]

• 更推荐写法（避免括号嵌套过多，提升可读性）：

  result = df[df['Item Code'].isin(['04901', '04940']) & df['Year'].eq(2025)]

⚠️ 注意事项：

• & 是位与运算符（非 and），必须配合括号使用，否则会报 ValueError: The truth value of a Series is ambiguous；
• isin() 支持列表、元组、数组等可迭代对象，自动处理缺失值（NaN 不会被匹配）；
• 若 Year 列为字符串类型（如 '2025'），则需统一用字符串比较；但建议在数据加载阶段就转换为数值类型：

  df['Year'] = pd.to_numeric(df['Year'], errors='coerce')  # 安全转整型

? 小技巧：可链式组合多个条件，例如同时限定季度和状态：

df[
    df['Item Code'].isin(['04901', '04940']) &
    df['Year'].eq(2025) &
    df['Quarter'].isin([1, 2]) &
    df['Status'].eq('Active')
]

总结：类型一致是布尔索引生效的前提。始终用 df.dtypes 检查关键列类型，并据此选择匹配值的类型（2025 vs '2025'），即可避免“看似正确却返回空”的陷阱。