dropna()默认删除含任意NaN的整行；axis控制方向（0删行、1删列）；how设条件（any/any）、thresh设非空下限；subset限定检查列。
直接用 dropna() 就能删掉含缺失值的行，但想删得准、不误伤，得看清楚几个关键参数怎么配。
默认行为：删掉任何含 NaN 的整行
不加参数时，df.dropna() 等价于 df.dropna(axis=0, how='any')，意思是：只要某一行里有一个 NaN、None 或 pd.NaT，整行就扔掉。
- 适合快速清理少量零散缺失的场景
- 注意：原数据不变，返回新 DataFrame；要改原表得加
inplace=True
删列 or 删行？用 axis 控制方向
axis=0（默认）按行操作，axis=1 按列操作：
-
df.dropna(axis=0)：删掉含缺失值的行（常用） -
df.dropna(axis=1)：删掉含缺失值的列（谨慎！可能直接丢掉一个特征） - 也可写成
axis='index'或axis='columns'，语义更清晰
删得“松”还是“严”？how 和 thresh 配合用
how 决定触发条件，thresh 设最低保留门槛——后者优先级更
高：
-
how='any'（默认）：一个缺失就删 -
how='all'：整行/列全空才删（常用于过滤全 NaN 列） -
thresh=3：保留至少有 3 个非空值的行（比how更灵活） - 比如
dropna(thresh=5)在 6 列数据中，相当于“最多允许 1 个缺失”
只盯特定几列？用 subset 精准定位
不想全表扫，只关心某些列有没有缺失，就用 subset：
-
df.dropna(subset=['age', 'income'])：只要 age 或 income 是 NaN，对应行就删 -
subset接的是列名列表，字符串必须和 df.columns 完全一致 - 对时间序列或关键字段做兜底清洗很实用
