本文详解如何使用布尔索引高效、安全地删除满足多个条件（如 column1 为 "b" 且 column4 为 nan）的 dataframe 行，避免循环修改导致的错误和无效操作。
在 Pandas 中，切勿在遍历 DataFrame 的同时直接调用 df.drop() 修改原数据——这不仅效率极低，还因索引动态变化和链式赋值问题导致操作“看似无错却毫无效果”（如题中 for row in df.iterrows(): ... df.drop() 不生效）。正确做法是采用向量化布尔索引（Boolean Indexing），一次性生成逻辑掩码并过滤数据。
核心思路是：保留不满足“删除条件”的行。题目要求删除 column1 == 'B' 且 column4.isna() 的行，因此保留条件为二者至少一个不成立，即：
# ✅ 推荐写法：使用 .ne() 和 .notna()，语义清晰
df_filtered = df[df['column1'].ne('B') | df['column4'].notna()]
# ✅ 等价写法：使用德·摩根定律（De Morgan's Law）
df_filtered = df[~(df['column1'].eq('B') & df['column4'].isna())]两种写法逻辑等价，均返回新 DataFrame（原 DataFrame 不变）。其中：
- .ne('B') 等价于 != 'B'，判断 column1 是否不等于 'B'；
- .notna() 判断 column4 是否非空（非 NaN）；
- | 是按元素的逻辑“或”，& 是逻辑“与”，~ 表示逻辑“非”；
- 所有操作均为向量化，无需循环，性能优异且线程安全。
以原始数据为例：
import pandas as pd
import numpy as np
df = pd.DataFrame({
'column1': ['A', 'B', 'B', 'B'],
'column2': [1, 1, 1, 1],
'columns3': [2, 2, 2, 2],
'column4': [3.0, 3.0, np.nan, np.nan]
})执行 df_filtered = df[df['column1'].ne('B') | df['column4'].notna()] 后，结果为：
column1 column2 columns3 column4 0 A 1 2 3.0 1 B 1 2 3.0
✅ 第 2、3 行（索引 2 和 3）被成功剔除：它们同时满足 column1 == 'B' 且 column4.isna()。
⚠️ 注意事项：
- 若需原地修改原 DataFrame，请显式赋值：df = df[...]（推荐）或使用 inplace=True 参数（如 df.drop(df[...].index, inplace=True)，但布尔索引更简洁）；
- 避免使用 df.column1 == 'B' 这类点号访问含空格/特殊字符列名的列（应统一用 df['column1']）；
- isna() 和 isnull() 功能完全相同，但 isna() 是官方推荐写法；
- 多条件组合务必用圆括号包裹每个子条件（如 (df['A'] > 0) & (df['B'].isin(['x','y']))），否则运算符优先级可能导致逻辑错误。
掌握布尔索引，是写出高效、健壮 Pandas 代码的关键一步——告别低效循环，拥抱向量化思维。
