¿Cómo puedo obtener el elemento lógico NO de una serie de pandas?

Tengo un Seriesobjeto pandas que contiene valores booleanos. ¿Cómo puedo obtener una serie que contenga la lógica NOTde cada valor?

Por ejemplo, considere una serie que contiene:

True
True
True
False

La serie que me gustaría obtener contendría:

False
False
False
True

Parece que debería ser razonablemente simple, pero aparentemente he perdido mi mojo = (

Para invertir una serie booleana, use~s :

In [7]: s = pd.Series([True, True, False, True])

In [8]: ~s
Out[8]: 
0    False
1    False
2     True
3    False
dtype: bool

Usando Python2.7, NumPy 1.8.0, Pandas 0.13.1:

In [119]: s = pd.Series([True, True, False, True]*10000)

In [10]:  %timeit np.invert(s)
10000 loops, best of 3: 91.8 µs per loop

In [11]: %timeit ~s
10000 loops, best of 3: 73.5 µs per loop

In [12]: %timeit (-s)
10000 loops, best of 3: 73.5 µs per loop

A partir de Pandas 0.13.0, las series ya no son subclases de numpy.ndarray; ahora son subclases de pd.NDFrame. Esto podría tener algo que ver con por qué np.invert(s)ya no es tan rápido como ~so -s.

Advertencia: los timeitresultados pueden variar según muchos factores, incluidas las versiones de hardware, compilador, sistema operativo, Python, NumPy y Pandas.

La respuesta de @unutbu es acertada, solo quería agregar una advertencia de que su máscara debe ser dtype bool, no 'object'. Es decir, su máscara no puede haber nunca tenido ninguna de Nan. Vea aquí , incluso si su máscara no tiene nan ahora, seguirá siendo del tipo 'objeto'.

El inverso de una serie de 'objetos' no arrojará un error, sino que obtendrá una máscara de basura que no funcionará como espera.

In[1]: df = pd.DataFrame({'A':[True, False, np.nan], 'B':[True, False, True]})
In[2]: df.dropna(inplace=True)
In[3]: df['A']
Out[3]:
0    True
1   False
Name: A, dtype object
In[4]: ~df['A']
Out[4]:
0   -2
0   -1
Name: A, dtype object

Después de hablar con colegas sobre este tema, tengo una explicación: parece que los pandas están volviendo al operador bit a bit:

In [1]: ~True
Out[1]: -2

Como dice @geher, puede convertirlo en bool con un tipo antes de invertir con ~

~df['A'].astype(bool)
0    False
1     True
Name: A, dtype: bool
(~df['A']).astype(bool)
0    True
1    True
Name: A, dtype: bool

Solo le doy una oportunidad:

In [9]: s = Series([True, True, True, False])

In [10]: s
Out[10]: 
0     True
1     True
2     True
3    False

In [11]: -s
Out[11]: 
0    False
1    False
2    False
3     True

También puedes usar numpy.invert:

In [1]: import numpy as np

In [2]: import pandas as pd

In [3]: s = pd.Series([True, True, False, True])

In [4]: np.invert(s)
Out[4]: 
0    False
1    False
2     True
3    False

EDITAR: La diferencia en el rendimiento aparece en Ubuntu 12.04, Python 2.7, NumPy 1.7.0, aunque no parece existir usando NumPy 1.6.2:

In [5]: %timeit (-s)
10000 loops, best of 3: 26.8 us per loop

In [6]: %timeit np.invert(s)
100000 loops, best of 3: 7.85 us per loop

In [7]: %timeit ~s
10000 loops, best of 3: 27.3 us per loop

NumPy es más lento porque convierte la entrada en valores booleanos (por lo que None y 0 se convierten en False y todo lo demás se convierte en True).

import pandas as pd
import numpy as np
s = pd.Series([True, None, False, True])
np.logical_not(s)

te dio

0    False
1     True
2     True
3    False
dtype: object

mientras que ~ s se estrellaría. En la mayoría de los casos, tilde sería una opción más segura que NumPy.

Pandas 0.25, NumPy 1.17