df.dropna()默认按行删除（axis=0），删列需显式指定axis=1，并用thresh或how控制空值容忍度；它仅识别NaN/None/pd.NaT，不处理'N/A'等伪空值，inplace=True已不推荐。
df.dropna() 默认只删行，不是删列
很多人一上来就写 df.dropna()，发现空值多的列还在，数据没变——因为它的 axis 默认是 0（按行操作），也就是删掉**只要含空值的整行**。想删列，必须显式指定 axis=1。
常见错误现象：df.dropna() 后列数不变，但行数少了；或者用 df.dropna(axis=1) 却删掉了太多列，连只缺一个值的列都干掉了。
-
axis=0：删行（默认） -
axis=1：删列（必须写出来） - 不加
how参数时，默认how='any'，即该轴上只要有一个NaN就触发删除
删列要控制“空值容忍度”：how 和 thresh
直接 df.dropna(axis=1) 太狠，容易把只缺 1–2 个值的有用列也清掉。得靠 how 或 thresh 控制阈值。
使用场景：比如某列 1000 行里只有 3 个 NaN，你不想丢，但另一列 80% 是空的，就得剔除。
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
-
how='any'：该列只要有一个NaN，就删（最激进） -
how='all'：该列全为NaN才删（几乎没用，慎选） -
thresh=n：保留至少有n个非空值的列（更灵活，推荐）
例如df.dropna(axis=1, thresh=len(df)*0.8)表示保留非空值占比 ≥ 80% 的列
空值判断受 dtype 和缺失标识影响
dropna() 只认 NaN、None、pd.NaT 这几种标准缺失值。如果数据里混着 'NULL'、'N/A'、空字符串 ''，它完全看不见，不会删对应列。
常见错误现象：明明看着某列全是 'N/A'，但 df.dropna(axis=1) 毫无反应。
- 先统一清洗：用
df.replace({'N/A': pd.NA, 'NULL': pd.NA, '': pd.NA})转成标准缺失值 - 再配合
astype('string')或convert_dtypes()确保pd.NA被正确识别 - 检查前可跑
df.isna().sum()看真实空值分布，别信肉眼
inplace=True 不是万能解，链式操作会失效
有人习惯加 inplace=True 图省事，但在管道或连续调用中容易出问题——比如 df.dropna(axis=1).reset_index()，inplace=True 会让中间结果无法传递。
性能影响：对大表来说，inplace=True 并不真正节省内存，Pandas 内部仍可能复制数据；且未来版本已标记为弃用警告。
- 推荐写法：
df = df.dropna(axis=1, thresh=...) - 避免在方法链里用
inplace=True，它会让后续方法接收None - 真要原地改，确认变量没被其他地方引用，否则可能引发隐蔽 bug
最常被忽略的是空值定义本身——dropna 不处理字符串型“伪空值”，也不管你心里觉得“这列没用”而主观想删。它只响应明确的缺失标识和你设的阈值。跑之前，先 df.isna().sum() 看一眼，比猜靠谱得多。
