本文详解在 pandas 中安全、高效地按位置索引（而非标签）批量删除 dataframe 行的多种方法，涵盖 drop() 与布尔索引两种主流方案，并强调索引唯一性、视图/副本陷阱及性能注意事项。
本文详解在 pandas 中安全、高效地按位置索引（而非标签）批量删除 dataframe 行的多种方法，涵盖 drop() 与布尔索引两种主流方案，并强调索引唯一性、视图/副本陷阱及性能注意事项。
在 Pandas 中，直接通过循环调用 df.drop(df.iloc[i].name, inplace=True) 删除多行极易引发 IndexError: single positional indexer is out-of-bounds 错误——根本原因在于：每次 drop 后 DataFrame 实际长度和索引映射发生改变，但 irange 中的原始位置索引未同步更新，导致后续 iloc[i] 越界。此外，inplace=True 在链式操作中行为不稳定，官方已不推荐。
✅ 推荐做法是 一次性定位、批量删除，避免迭代副作用。以下是两种健壮、高效的解决方案：
✅ 方法一：基于 .index 的 drop()（适用于索引唯一）
当 DataFrame 的索引（df.index）唯一时，可直接将位置列表转换为对应索引值，再传入 drop()：
import pandas as pd
df = pd.DataFrame({'col': [10, 20, 30, 40, 50, 60]}, index=list('abcdef'))
print("原始 DataFrame:")
print(df)
# col
# a 10
# b 20
# c 30
# d 40
# e 50
# f 60
irange = [1, 4, 5] # 想删除第1、第4、第5行（0-based，即 'b', 'e', 'f'）
# ✅ 正确：一次性获取对应索引并 drop
df_dropped = df.drop(df.index[irange])
print("\n删除后:")
print(df_dropped)
# col
# a 10
# c 30
# d 40
⚠️ 注意：此方法要求 df.index 唯一。若存在重复索引（如 index=['a','b','b','c']），df.index[irange] 可能返回意外结果，甚至报错。
✅ 方法二：基于布尔索引的 loc（通用、推荐）
无论索引是否唯一，均可使用 np.isin() 构建位置掩码，配合 loc 筛选保留行（即“反向删除”），语义清晰且绝对安全：
import numpy as np
# 继续使用上面的 df
irange = [1, 4, 5]
mask = ~np.isin(np.arange(len(df)), irange) # True 表示保留的位置
df_filtered = df.loc[mask] # 注意：loc 索引的是行位置（因 mask 长度=行数）
print("\n布尔索引保留结果:")
print(df_filtered)
# col
# a 10
# c 30
# d 40
? 提示：~np.isin(...) 生成布尔数组，df.loc[mask] 按行顺序选取满足条件的行，完全规避索引依赖，是最鲁棒的通用解法。
⚠️ 关键注意事项
- 避免 inplace=True：Pandas 2.0+ 中 inplace 参数已被弃用，应始终赋值接收返回值（如 df = df.drop(...)）；
- 不要混用位置索引与标签索引：df.iloc[i].name 返回的是标签（label），而 drop() 默认按标签删除；若需按位置删除，请统一使用 df.index[positions] 或布尔索引；
- 性能考量：对超大数据集，布尔索引（方法二）通常比多次 drop() 快 10 倍以上，且内存更友好；
- 链式赋值警告：切勿写 df.loc[mask]['col'] = ...，应使用 df.loc[mask, 'col'] = ... 避免 SettingWithCopyWarning。
总结：删除位置范围内的行，首选 布尔索引 df.loc[~np.isin(np.arange(len(df)), positions)] ——它不依赖索引唯一性、无副作用、可读性强，是生产环境中的最佳实践。
