当某列缺失值占比超过阈值（如70%）时应直接删除该列，因其建模价值低且插补易引入噪声；需用df.isnull().mean()计算各列缺失率，再布尔索引筛选并drop。
缺失值比例超过阈值就该直接删列，别犹豫
当某列缺失值占比超过 70%（或你设定的业务阈值），它基本丧失了建模价值，强行插补反而引入噪声。Python 中没有 dropna 直接按列缺失比例删除的功能——dropna 默认作用于行（axis=0），且只支持 thresh（保留至少 N 个非空值），不支持“保留缺失率低于 X% 的列”。必须手动计算比例再筛选。
用 isnull().mean() 快速算每列缺失率
这是最轻量、最可读的方式：df.isnull().mean() 返回每列缺失值占比（0～1 的 float Series），比 df.isnull().sum() / len(df) 更简洁，且自动对齐列名。
- 缺失率 > 0.7 的列：用布尔索引过滤列名，如
df.columns[df.isnull().mean() > 0.7] - 保留低缺失率列：直接重赋值
df = df.loc[:, df.isnull().mean() - 注意：
isnull()对数值型、字符串、None、NaN 都有效，但对pd.NaT（时间类型空值）也识别，无需额外处理
别用 dropna(thresh=...) 试图替代列过滤
dropna 的 thresh 参数是“保留至少 N 个非空值的行/列”，不是“缺失率阈值”。例如 df.dropna(axis=1, thresh=int(0.3 * len(df))) 看似等价，但有硬伤：
- 结果依赖
len(df)，若后续 df 行数变化（如先切片再 dropna），阈值就错位 -
thresh接受整数，无法表达 69.8% 这类小数阈值，必须手动取整，易误删临界列 - 语义模糊：别人读代码时看不出你在控“缺失率”，只看到一个魔法数字
生产环境建议封装成函数并保留日志
实际项目中，删列不能悄无声息。应记录哪些列被剔除及原因，方便复盘和审计。
立即学习“Python免费学习笔记（深入）”；
def drop_high_missing_cols(df, threshold=0.7, verbose=True):
missing_ratio = df.isnull().mean()
to_drop = missing_ratio[missing_ratio > threshold].index.tolist()
if verbose and to_drop:
print(f"Drop {len(to_drop)} columns with missing ratio > {threshold}: {to_drop}")
return df.drop(columns=to_drop)调用时直接 df_clean = drop_high_missing_cols(df, threshold=0.65)。注意：该函数不修改原 df，避免副作用；若需原地修改，加 inplace=True 到 drop() 即可。
真正容易被忽略的是：缺失率计算前，要确认是否已做类型归一化——比如把字符串 "NULL"、"N/A" 显式转为 np.nan，否则 isnull() 会漏判。这步常在清洗早期做，但删列前必须检查到位。
