如何在Pandas中使用dropna删除空值时保留"N/A"字符串？

我完全懂你的困扰——默认情况下Pandas会把"N/A"、"n/a"这类字符串当成空值（NaN），导致用dropna时误删了需要保留的列。下面是一步步的解决方案，帮你精准删除真正完全为空的列，同时保住那些带字符串标记的列：

第一步：正确读取数据集，区分真空值与字符串标记 #

读取文件时，我们得明确告诉Pandas：只有真正的空内容（比如空字符串）才算NaN，"N/A"、"n/a"、"NA"这些字符串要原封不动保留。以CSV文件为例，用pd.read_csv时设置这两个关键参数：

import pandas as pd

# 仅将空字符串识别为NaN，关闭Pandas默认的NA识别规则
df = pd.read_csv(
    "your_dataset.csv",
    na_values=[''],  # 只有空字符串会被解析成NaN
    keep_default_na=False  # 禁用默认的NaN识别列表（默认会把"NA"当成NaN）
)

如果是Excel等其他格式，用pd.read_excel时也可以用同样的参数逻辑处理。

第二步：精准删除完全为空的列 #

现在DataFrame里的NaN都是真正的空值了，接下来找出所有每一行都是NaN的列，再删除它们：

# 筛选出所有全为NaN的列名
empty_cols = df.columns[df.isna().all()]

# 删除这些全空列
df_cleaned = df.drop(empty_cols, axis=1)

要是已经误读了数据集怎么办？ #

如果之前已经读取了数据，且"N/A"被当成了NaN，可以先把这些误判的NaN恢复成字符串，再执行删除步骤：

# 把所有NaN替换回"N/A"（注意：这会把真正的空值也替换，所以更推荐重新读取）
df = df.fillna("N/A")

# 重新标记真正的空值（比如空字符串）
df = df.replace("", pd.NA)

# 再删除全空列
empty_cols = df.columns[df.isna().all()]
df_cleaned = df.drop(empty_cols, axis=1)

不过这种方法有风险，毕竟没法区分原本就是NaN的空值和被误判的"N/A"，所以优先推荐重新读取时正确设置参数。

为啥原来的方法会踩坑？ #

默认情况下，Pandas的read_csv会把"NA"、"N/A"、"n/a"等20多种值自动识别为NaN（可以看官方文档的默认na_values列表）。这就导致你用dropna时，那些带这些字符串的列会被当成有NaN的列，直接被误删。通过自定义na_values和关闭默认规则，就能精准控制哪些值才算真正的空值。

内容的提问来源于stack exchange，提问作者Korzak