df = [ speed1 speed2 speed3 0 0 1 2 1 NaN NaN NaN 2 3 4 5 3 NaN NaN NaN] 删除df中含有NaN的行

可以使用 `dropna()` 方法来删除 DataFrame 中含有 NaN 的行，示例如下：

df = df.dropna()

这将会删除含有 NaN 的行，返回一个新的 DataFrame。如果想要在原地修改 DataFrame，可以使用 `inplace=True` 参数：

df.dropna(inplace=True)

相关问题

判断df.iloc[1,2]是否为NaN

可以使用 pandas 库中的 isna() 函数来判断：

import pandas as pd

# 假设 df 是一个 pandas DataFrame 对象
if pd.isna(df.iloc[1,2]):
    print("df.iloc[1,2] 是 NaN")
else:
    print("df.iloc[1,2] 不是 NaN")

其中，pd.isna() 函数会判断传入的参数是否为 NaN，如果是则返回 True，否则返回 False。

如何处理'df1'和'df2'中的重复键在合并后的NaN值？

在使用`pd.DataFrame.join()`合并数据时，如果你希望处理'df1'和'df2'中的重复键所导致的NaN值，可以根据需要选择不同的策略。`join`函数有几个参数可以帮助你管理这种情况：

1. **how** 参数：默认值是'left', 它会在左侧DataFrame (在这里是`df1`) 中保留所有的记录，所以如果'df2'中的键在'df1'中也存在，新加入的'data2'列将填充NaN。你可以设置为'return_indexers' 或 'outer' 来得到完整的并集，或者 'right' 来仅保留'df2'的键。

- `'left'`: 保留'df1'的记录，'df2'中未找到的键会填充NaN。
- `'inner'`: 只保留两个DataFrame中都存在的键，找不到的键都会被丢弃。
- `'full'` 或 'outer': 返回完整的笛卡尔积，外侧键将填充NaN。
- `'right'`: 只保留'df2'的记录，'df1'中未找到的键会填充NaN。

2. **on** 参数后面的`fill_value`：这是一个可选参数，允许你指定当遇到缺失值时使用的填充值。例如，你可以设置为0、None或任何你喜欢的特定值。

例如，如果你想用0填充NaN，你可以这样做：

result = df1.join(df2.set_index('key'), how='left', on='key', fill_value=0)

这将保证'df1'中的所有键都有对应的'data2'值，如果'df2'中没有对应的键，就会用0填充。