df.empty 是判断 dataframe 是否为空的最优方式，它通过内部标志位快速返回布尔值，同时检查行列维度，语义清晰且性能最优。
df.empty 是最直接的判断方式
用 df.empty 就行，它返回布尔值，True 表示空 DataFrame（0 行或 0 列），False 表示非空。别写 len(df) == 0 或 df.shape[0] == 0 —— 虽然结果一样，但 empty 是专为此设计的属性，不触发索引计算，更快更语义清晰。
常见错误现象：df.empty 对只含 NaN 的 DataFrame 仍返回 False，因为它不检查内容是否“全空”，只看结构维度。比如 pd.DataFrame([[np.nan]]) 不为空。
- 适用场景：初始化后校验、循环中跳过空表、ETL 流程里防 downstream 报错
- 注意：
df.empty为 True 时，df.columns和df.index仍可能有长度（如空列名列表），别假设它们也为空 - 兼容性：所有 Pandas 版本都支持，无版本陷阱
为什么不能只看 len(df) 或 shape[0]
len(df) 实际调用 df.__len__()，本质是 df.shape[0]，只反映行数。但它无法识别“0 列但有行索引”的边缘情况（虽然 Pandas 中极少出现），而 empty 同时检查行列——只要任一为 0 就返回 True。
性能影响：对超大 DataFrame，len(df) 需访问底层索引长度，而 empty 直接读取内部标志位，几乎零开销。
- 典型误用：
if len(df): do_something()—— 这在空表时进入 else 分支，但逻辑上你可能想“非空才处理”，建议统一用if not df.empty: - 特别注意：
df.shape是 tuple，df.shape[0] == 0只判行，漏掉列为空的情况（如pd.DataFrame(columns=['a', 'b'])）
和 isnull() / dropna() 混用是常见误区
df.empty 和数据是否“全为缺失值”完全无关。有人误以为空表 = 全 NaN，于是写 df.isnull().all().all() 来判断——这既慢又错：一个含 1 行 1 列 np.nan 的表，empty 是 False，但 isnull().all().all() 是 True。
使用场景差异：校验数据加载是否失败（用 empty），和校验数据质量是否崩坏（用 df.isnull().mean().max() > 0.9 等），是两件事。
- 容易踩的坑：把清洗逻辑（如
df.dropna(how='all')）放在empty判断前，导致误判——应该先判空，再决定是否清洗 - 若真要判“逻辑空”（即所有值都是 NaN），请明确用
df.isna().values.all()，但注意这会把空表也判为 True，需额外and not df.empty
在链式操作里怎么安全用 empty
链式调用（如 df.query('x > 1').groupby('y').sum()）可能产出空结果，但中间步骤出错不会抛异常，empty 是唯一轻量级兜底手段。
关键点：必须在链末端立刻读 empty，别拆成多步赋值再判断——否则可能因视图/副本问题误判（尤其开启 copy_on_write=True 时）。
- 正确写法：
result = df.groupby('k').agg({'v': 'sum'}); if result.empty: ... - 危险写法：
df.groupby('k').agg(...).empty在某些旧版本 Pandas 中可能触发未定义行为（极罕见，但存在） - 调试技巧：打印
result.shape和result.empty一起看，能快速区分是“没匹配到数据”还是“聚合逻辑吞了全部行”
empty 属性本身，别被数据内容带偏节奏。
