除了`isin()`，Pandas还有哪些方法可以用来进行条件筛选？

Pandas 提供了多种方法进行条件筛选，除了 `isin()` 方法，还有以下几种常用方式：

1. **布尔索引**[^1]：通过创建布尔系列（True 或 False），然后用它来选择满足特定条件的行或列。例如：

   df[df['column_name'] > threshold]  # 返回 column_name 列大于给定阈值的行

2. **`.query()`** 函数：提供了一个灵活的SQL-like查询语法，用于执行复杂的条件过滤。例如：

   df.query('column_name == "value"')  # 根据条件筛选数据

3. **`.loc[]` 和 `.iloc[]`**：基于标签（对于行）或位置（对于列）进行选择。例如，选择某一行：

   df.loc[row_index]  # 使用行标签选择指定行

4. **`.dropna()`**: 删除含有缺失值的行或列。如果想要保留具有特定条件不包含缺失值的行：

   df.dropna(subset=['column_name'], how='all')  # 删除 column_name 列全为 NaN 的行

5. **`.astype()`** 或 `.convert_dtypes()`：可以根据数据类型转换进行筛选。例如，找出所有非数值类型的元素：

   df[df['column_name'].astype(bool)]  # 只保留 column_name 列为布尔值的行

6. **`.groupby().filter()`**：对数据分组后，只保留满足条件的子集。例如：

   grouped = df.groupby('category')
   filtered_group = grouped.filter(lambda x: len(x) > 10)  # 仅保留每个类别中有超过10个观测值的组

请注意，虽然有些高级技巧可能不太常见，但在实际数据分析工作中可能会非常有用。