导入必要的库：

import pandas as pd
import numpy as np

创建包含NaN列名的DataFrame：

data = {
    'Name': ['Alice', 'Bob', np.nan, np.nan],
    'Age': [25, 30, np.nan, 35],
    'Country': ['USA', 'UK', np.nan, 'Australia'],
    np.nan: [100, 200, 300, 400]
}
df = pd.DataFrame(data)

使用布尔索引筛选非NaN列：

filtered_df = df[[col for col in df.columns if not np.isnan(col)]]

• 代码解释：
  • df.columns 获取DataFrame的所有列名。
  • [col for col in df.columns if not np.isnan(col)] 创建一个布尔索引，筛选出列名不为NaN的列。
  • filtered_df 中只包含这些列。

输出结果：

print(filtered_df)

预期输出：

Name   Age  Country
Alice  25   USA
Bob   30   UK

尝试使用 dropna() 删除NaN列名：

df_dropped = df.dropna(axis=1, how='all')

• 代码解释：
  • axis=1 指定沿列轴操作。
  • how='all' 表示只删除所有值为NaN的列。

注意：这种方法可能会删除非列名为NaN的数据，因此不建议用于直接删除列名为NaN的操作。

创建原始DataFrame：

data = {
    'Name': ['Alice', 'Bob', np.nan, np.nan],
    'Age': [25, 30, np.nan, 35],
    'Country': ['USA', 'UK', np.nan, 'Australia'],
    np.nan: [100, 200, 300, 400]
}
df = pd.DataFrame(data)

删除列名为NaN的列：

filtered_df = df[[col for col in df.columns if not np.isnan(col)]]

验证结果：

expected_output = pd.DataFrame({
    'Name': ['Alice', 'Bob'],
    'Age': [25, 30],
    'Country': ['USA', 'UK']
})
assert filtered_df.equals(expected_output), "测试用例失败"
print("所有名为NaN的列已成功删除。")

数据预处理： 在机器学习模型训练前，通常需要对数据进行清理和预处理。这包括删除或填充缺失值。如果您需要移除所有列名为NaN的列，可以使用上述方法。

数据清洗和验证： 在数据收集和分析过程中，可能会遇到包含NaN或其他非法值的列。使用上述方法可以帮助清理这些数据，确保模型训练的准确性。