结论：df.dropna()默认how='any'，但常因未识别字符串型缺失值、未赋值/设inplace=True、误用subset格式或忽略inf处理导致失效；应先用isna().sum()验证，再结合subset、thresh或replace统一缺失值。
直接说结论：用 df.dropna() 最快，但默认只删全为 NaN 的行；要删「任一列含缺失值」的行，必须加 how='any' —— 这是新手最常漏掉的参数。
为什么 dropna() 默认不删你想要的行
因为它的默认行为是 how='any'？错。实际默认是 how='any' 吗？再看文档：不对，dropna() 默认是 how='any'？等等——查证后确认：dropna() 默认确实是 how='any'，但问题常出在 subset 和 inplace 上。
更常见的误判来自两点：
- 你以为某列有
NaN，其实它是字符串'nan'或空字符串''，dropna()完全不识别这些 - 你调用了
df.dropna()却没赋值或没设inplace=True，原df一点没变
验证是否真有 NaN：用 df.isna().sum() 看每列缺失数量，别靠肉眼扫。
按需删行：how 和 subset 怎么配着用
删行逻辑取决于你想保守还是激进：
-
how='any'（默认）：只要指定列中**任意一个**是NaN，整行就删 -
how='all'：只有当指定列**全部都是**NaN，才删该行 -
subset=['col_a', 'col_b']：只检查这两列，其余列哪怕全是NaN也不影响判断
例如：只想剔除 'age' 或 'income' 至少一个为空的用户记录：
df_clean = df.dropna(subset=['age', 'income'], how='any')
注意：subset 必须是列名列表，写成字符串 'age,income' 会报 KeyError。
删完发现数据量暴减？先检查缺失类型和阈值
突然只剩几行，大概率不是函数错了，而是数据里混了非标准缺失值：
- 用
df.replace({'': np.nan, 'N/A': np.nan, 'NULL': np.nan}, inplace=True)统一转义 - 用
df.select_dtypes(include=['object']).apply(lambda x: x.str.strip()).replace('', np.nan)清理空格型空值 - 如果只想保留「至少有 N 列非空」的行，改用
thresh参数：df.dropna(thresh=3)表示每行至少 3 个非空值才留下
thresh 比 how 更灵活，尤其适合宽表（列多、允许部分字段缺失）场景。
inplace=True 不是万能解，链式操作时尤其危险
写 df.dropna(inplace=True) 看似省事，但一旦嵌套在管道里就失效：
df.pipe(clean_func).dropna(inplace=True) # ❌ 无效！pipe 返回新对象，inplace 对原 df 无影响
正确做法是显式赋值或用 assign：
df = df.pipe(clean_func).dropna() # ✅
另外，inplace=True 在未来 pandas 版本中已被标记为弃用，建议从现在起习惯返回新 DataFrame 的写法。
真正容易被忽略的是：缺失值判定依赖 pd.options.mode.use_inf_as_na 设置。如果数据含 np.inf，默认不视作缺失；想让它也被删，得提前设 pd.set_option('mode.use_inf_as_na', True)。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
