如何删除DataFrame中的NaN值及其两侧相邻的非NaN数据行

核心思路是先标记需要删除的NaN区块行，再通过膨胀操作将删除范围扩展到这些行的前后各3行，最后过滤保留未标记的行即可，10万行级别的数据用向量化操作处理效率极高，不会有性能问题。

依赖导入 #

首先导入需要用到的库：

import pandas as pd
import numpy as np
from scipy.ndimage import binary_dilation

步骤1：加载数据（如果还没加载的话） #

# 替换为你的文件路径
df = pd.read_csv("your_file.csv")

步骤2：标记NaN区块对应的坏行 #

你可以根据实际需求调整坏行的判定规则，示例规则如下：

• 如果要标记整行全为NaN的行作为坏行：

bad_row_mask = df.isna().all(axis=1)

• 如果要标记超过N列为NaN的行作为坏行（比如超过10列是NaN就算坏行）：

# 阈值可自行调整
bad_row_mask = df.isna().sum(axis=1) > 10

步骤3：扩展删除范围到坏行前后各3行 #

用形态学膨胀操作实现范围扩展，结构元素长度为 3（前） + 1（坏行本身） +3（后）=7：

# 构造结构元素，长度对应要覆盖的行范围
structure = np.ones(7, dtype=bool)
# 生成最终要删除的行掩码
to_drop_mask = binary_dilation(bad_row_mask, structure=structure)

步骤4：过滤得到最终数据 #

# 保留不需要删除的行
clean_df = df[~to_drop_mask].reset_index(drop=True)

参数调整说明 #

• 如果需要删除的前后行数不是3，修改structure的长度即可：比如前后各删2行的话，structure = np.ones(5, dtype=bool)
• 坏行的判定规则可以根据你的数据特征自由调整，只要输出布尔类型的掩码即可
• 如果不想额外引入scipy依赖，也可以用pandas的rolling方法实现等价逻辑：

# 用rolling实现同样的范围扩展效果，窗口大小7，center=True表示以当前行为中心扩展，min_periods=1表示只要窗口内有1个坏行就标记整个窗口的行
to_drop_mask = bad_row_mask.rolling(window=7, center=True, min_periods=1).max().astype(bool)

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