看起来你已经正确计算了各列的缺失值占比，但遇到了索引使用的问题——这很常见，尤其是刚接触Pandas Series和DataFrame索引的时候。让我一步步帮你解决：

问题原因分析 #

你计算出来的result是一个Pandas Series对象（一维结构），而不是DataFrame。从你的输出也能看出来，它只有列名作为索引，对应的缺失率是值。当你用result.iloc[:,0]时，你试图用二维索引（行+列）去访问一维的Series，这就触发了IndexingError: Too many indexers。

正确的实现步骤 #

1. 确认缺失率计算（你的这部分是对的） #

先把你的原始代码和输出放出来，方便对照：

df_missing = df.isna()
result = df_missing.sum() / len(df)

输出：

Default          0.010066
Income           0.142857
Age              0.109090
Name             0.047000
Gender           0.000000
Type of job      0.200000
Amt of credit    0.850090
Years employed   0.009003
dtype: float64

2. 筛选符合条件的列 #

我们需要从result中找出缺失率≤10%（即≤0.1）的列名，然后用这些列名去切片原始DataFrame：

# 筛选缺失率≤0.1的列名
keep_columns = result[result <= 0.1].index

# 保留这些列到新的DataFrame
filtered_df = df[keep_columns]

3. 验证结果 #

运行上面的代码后，filtered_df就会只保留Default、Name、Gender、Years employed这几列，完全符合你的预期。

额外小技巧 #

你也可以把整个过程简化成一行代码，更简洁：

filtered_df = df.loc[:, (df.isna().sum() / len(df)) <= 0.1]

这里用df.loc[:, 布尔条件]直接在原DataFrame上筛选列，省去了中间变量result，适合追求代码简洁的场景。

内容的提问来源于stack exchange，提问作者noob