内部查询()通过column_name == column_name保留column_name不是NA的行。

对于你的情况:

nms.query('name == name')

扔掉它们吧:

nms.dropna(thresh=2)

这将删除至少有两个非nan的所有行。

然后你可以在name是NaN的地方输入:

In [87]:

nms
Out[87]:
  movie    name  rating
0   thg    John       3
1   thg     NaN       4
3   mol  Graham     NaN
4   lob     NaN     NaN
5   lob     NaN     NaN

[5 rows x 3 columns]
In [89]:

nms = nms.dropna(thresh=2)
In [90]:

nms[nms.name.notnull()]
Out[90]:
  movie    name  rating
0   thg    John       3
3   mol  Graham     NaN

[2 rows x 3 columns]

EDIT

实际上，看看你最初想要什么，你可以这样做，没有dropna调用:

nms[nms.name.notnull()]

更新

3年后看这个问题，有一个错误，首先thresh arg寻找至少n个非nan值，所以实际上输出应该是:

In [4]:
nms.dropna(thresh=2)

Out[4]:
  movie    name  rating
0   thg    John     3.0
1   thg     NaN     4.0
3   mol  Graham     NaN

有可能是我3年前弄错了，或者是我运行的熊猫版本有bug，这两种情况都是完全可能的。

最简单的解决方案:

filtered_df = df[df['name'].notnull()]

因此，它只过滤掉'name'列中没有NaN值的行。

对于多个列:

filtered_df = df[df[['name', 'country', 'region']].notnull().all(1)]

内部查询()通过column_name == column_name保留column_name不是NA的行。

对于你的情况:

nms.query('name == name')

你也可以使用query:

out = df.query("name.notna() & name !='N/A'", engine='python')

输出:

  movie  rating    name
0   thg     3.0    John
3   mol     NaN  Graham

你可以过滤负数到na值的列: Dt = Dt [~ Dt [columns_to_filter].isna().all(1)]