drop(index=...) 是精确删除，按索引标签或位置删，不依赖数据内容；布尔索引如 df[(df['score']>18) & (df['city'].isin(['北京','上海']))] 才是条件过滤；dropna() 和 drop_duplicates() 是语义化特化删除，更稳更简。
drop(index=...) 是精确删除，不是条件过滤
drop() 的本质是“按索引标签或位置删”，它不看数据内容，只认 index 值或整数位置。哪怕某行满足业务条件（比如“销售额 drop() 就完全无视。
- 常见错误：写
df.drop(df[df['sales'] —— 这看似在“条件删除”，实则仍是先用布尔索引找出索引，再交给 <code>drop()执行，属于“两步走”，不是drop()自身支持条件 - 真正适合
drop(index=...)的场景：清理已知脏索引（如'temp_row_999'）、删除测试插入的临时行、按日志记录的 ID 批量下线数据 - 性能注意：如果
df.index是默认整数索引，drop(index=[0, 5, 100])很快；但若 index 是字符串且无序，Pandas 需哈希查找，大量删除时不如布尔索引直接切片
条件删除该用布尔索引，不是 drop()
真要按值删行（比如“删掉所有 status 为 'inactive' 的记录”），直接用布尔索引最自然、最可读、也最快：
df = df[df['status'] != 'inactive']
- 为什么不用
drop()包裹？因为df.drop(df[df['status']=='inactive'].index)多一次中间索引提取，内存多占一份，还容易因重复索引出错（drop()遇重复 index 默认只删第一个） - 多个条件？用括号 +
&：df[(df['age'] > 18) & (df['city'].isin(['北京', '上海']))]；别漏括号，否则运算符优先级错乱 - 想“原地删”？布尔索引本身不修改原
df，要覆盖就赋值；若坚持不新建变量，可用df.drop(..., inplace=True)，但inplace=True在新版本 Pandas 中已逐步弃用，不推荐
dropna() 和 drop_duplicates() 是特化条件删除
这两类删除表面像“条件”，其实是 Pandas 内置的语义化操作，底层优化过，比手写布尔逻辑更稳、更省心：
-
dropna(subset=['email'])：删掉'email'列为空的行——比df[df['email'].notna()]略快，语义更直白；但若同时要检查多列非空，how='all'或thresh参数比嵌套notna()更简洁 -
drop_duplicates(subset=['user_id'], keep='last')：保留每个user_id最后一次出现的行——手写groupby().tail(1)也可，但慢且易错；drop_duplicates()是唯一正确解 - 坑点：默认
keep='first'，但业务常要最新数据，别忘了显式写keep='last'
混合场景：先条件筛选，再 drop 索引
有些需求必须组合使用——比如“删掉所有重复 user_id 中，除了最新一条以外的、且 score
- 先用
duplicated(keep=False)标出所有重复项，再结合score条件筛出要删的子集 - 再用
drop()删除这批索引：to_drop = df[duplicated_mask & (df['score'] - 关键提醒：
drop()对索引敏感，如果中间有reset_index()或sort_values()，索引会变，务必确认to_drop对应的是当前df.index
最易被忽略的其实是索引一致性——删之前打印 len(df) 和 len(to_drop)，再检查几个被删行的原始 index 值，比事后调试快十倍。
