为何pandas中df[df.isna()]返回全NaN同形状DataFrame？

咱们一步步拆解这个问题：

1. 先看df.isna()的输出
   这个方法会生成一个和原DataFrame形状完全一致的布尔矩阵——每个单元格对应原DataFrame的位置，原位置是NaN就返回True，否则返回False。

2. pandas布尔索引的两种逻辑

   • 当你用一维布尔序列（比如df.isna().any(axis=1)生成的结果：每行一个布尔值，标记该行是否存在NaN）做索引时，pandas会直接筛选出布尔值为True的整行数据，这也是你需要的“获取含NaN的行”的逻辑。
   • 但如果你直接用二维布尔矩阵（也就是df.isna()的结果）做索引，pandas会逐个单元格匹配：只有当布尔矩阵对应位置是True时，才保留原DataFrame该位置的值；如果是False，就把该位置设为NaN。

3. 回到你的场景
   原DataFrame里大部分单元格都是非NaN的，所以df.isna()里大部分位置是False。用这个矩阵索引时，这些False的位置都会被替换成NaN；而原本是NaN的位置，df.isna()对应是True，但原位置本身就是NaN，保留下来还是NaN。最终整个DataFrame自然就全是NaN了。

举个直观的例子：
假设原DataFrame是：

import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 2], 'B': [np.nan, 3]})

df.isna()的输出是：

A      B
0  False   True
1  False  False

执行df[df.isna()]后，每个单元格按布尔值判断：

• (0,A)：False → 设为NaN
• (0,B)：True → 保留原NaN
• (1,A)：False → 设为NaN
• (1,B)：False → 设为NaN

最终得到的结果就是：

A   B
0 NaN NaN
1 NaN NaN

而df.isna().any(axis=1)会把每行的布尔值做“或运算”，生成一维布尔序列：

0     True
1    False
dtype: bool

用这个序列索引df，就能精准筛选出第0行（含NaN的行）。

内容的提问来源于stack exchange，提问作者Curious student