continue不能直接过滤数据，而是配合for循环跳过含空字段（如None、''、NaN、纯空白）的当前行；Pandas中推荐用布尔索引高效过滤，仅在需复杂逻辑时才用iterrows()配合continue。

在数据清洗中，continue 本身不能直接“过滤”数据，而是配合循环（如 for）跳过当前迭代，常用于逐行检查并忽略不满足条件的记录。关键在于：先判断某行是否含空字段（如 none、空字符串 ''、nan 等），一旦发现就用 continue 跳过后续处理，只保留有效行。

明确“空字段”的具体含义

不同来源的数据，“空”可能有多种表现形式，需统一识别：

• 空字符串：''
• None 值：None
• Pandas 中的 NaN：pd.isna(x) 或 pd.isnull(x)
• 仅空白字符的字符串：str.isspace() 或 str.strip() == ''

用 for 循环 + continue 实现行级跳过

适用于列表嵌套字典、元组或 DataFrame 行迭代等场景。例如处理字典列表：

data = [
    {'name': '张三', 'age': 25, 'city': '北京'},
    {'name': '', 'age': 30, 'city': '上海'},      # name 为空 → 跳过
    {'name': '李四', 'age': None, 'city': '广州'}, # age 为 None → 跳过
    {'name': '王五', 'age': 28, 'city': '深圳'}
]
<p>cleaned = []
for row in data:</p><h1>检查任意字段是否为空（按需调整判断逻辑）</h1><pre class="brush:php;toolbar:false;">if not row['name'] or row['name'].strip() == '' \
   or pd.isna(row['age']) \
   or not row['city'] or row['city'].strip() == '':
    continue  # 跳过这一行，不加入 cleaned
cleaned.append(row)

在 Pandas 中更推荐用布尔索引，continue 仅用于自定义逻辑

continue 在 Pandas 的 iterrows() 中可用，但效率低，不推荐用于大数据；真正高效的方式是向量化过滤：

域名有效性检查，验证企业网站域名有效、无效状态。帮助销售团队、市场人员和研究人员检查公司域名、提升邮件触达率——是 CRM数据清洗、销售线索验证、供应商核验、邮件列表清洗的必备工具，适用于外贸邮件群发前清洗、招聘背调与采购商核实。

核验域名可用性、安全状态及风险标记，输出验证结论、失败原因和敏感标签，清理风险域名，优化外贸邮件列表，降低退信概率。

下载

# 推荐做法：用布尔掩码一次性过滤
import pandas as pd
import numpy as np
<p>df = pd.DataFrame(data)</p><h1>找出所有字段都非空（非 NaN、非空字符串、非 None）的行</h1><p>mask = (
df['name'].notna() & (df['name'].str.strip() != '') &
df['age'].notna() &
df['city'].notna() & (df['city'].str.strip() != '')
)
clean_df = df[mask].copy()

只有当你需要在循环中做复杂判断（比如动态规则、日志记录、调用外部函数校验）时，才考虑在 for idx, row in df.iterrows(): 中使用 continue。

注意边界情况和类型安全

避免因字段缺失或类型错误导致报错：

• 用 row.get('field', None) 替代 row['field'] 防止 KeyError
• 对可能为数字的字段，先检查是否为 NaN 再转字符串，避免 NaN.strip() 报错
• 统一空值判断逻辑，例如封装一个 is_empty(x) 函数复用