如何通过循环在Pandas中查找各列NA并剔除含NA的行

先还原你提供的原始DataFrame：

import pandas as pd
import numpy as np

# 构造数据字典
data = {'First Score':[100, 90, np.nan, 95],
        'Second Score': [30, 45, 56, np.nan],
        'Third Score':[np.nan, 40, 80, 98]}

# 创建DataFrame
df = pd.DataFrame(data)

循环实现的两种方式 #

方式1：逐行逐列遍历检查

这种方式完全贴合手动筛选的逻辑，逐个检查每一行的每一列是否存在NA：

# 初始化筛选掩码：默认所有行都保留
keep_rows = [True] * len(df)

# 遍历每一列
for col in df.columns:
    # 遍历当前列的每一行
    for idx in range(len(df)):
        # 如果当前行当前列是NA，标记为不保留
        if pd.isna(df.loc[idx, col]):
            keep_rows[idx] = False

# 应用掩码得到无NA的结果
final_df = df[keep_rows]
print(final_df)

输出结果：

First Score  Second Score  Third Score
1         90.0          45.0         40.0

方式2：结合Pandas矢量化操作的循环（更高效）

这种方式避免逐行遍历，利用Pandas的列级非NA判断更新筛选掩码，效率更高：

# 初始化掩码为全True的Series，与DataFrame索引对应
keep_rows = pd.Series([True]*len(df), index=df.index)

# 遍历每一列
for col in df.columns:
    # 保留同时满足「之前掩码为True」和「当前列非NA」的行
    keep_rows = keep_rows & df[col].notna()

# 获取最终结果
final_df = df[keep_rows]

补充：Pandas原生方法 #

虽然你已知其他方法，还是提一句：原生dropna()可以一步完成，逻辑和方式2一致，但无需手动写循环：

final_df = df.dropna()

内容的提问来源于stack exchange，提问作者manu p