### 处理三维数据集中同一索引存在缺失值的元素 对于三维数据集，在 Pandas 和 NumPy 中可以利用布尔掩码来识别并移除那些在同一索引位置上含有任何缺失值（`NaN`）的数据条目。具体操作可以通过创建一个多维数组或 DataFrame 来表示该三维数据结构，接着应用条件筛选以定位这些特殊情形。 当涉及到多维度的数据时，NumPy 提供了 `numpy.isnan()` 函数用于检测 NaN 值的存在，并通过逻辑运算符组合多个条件实现复杂查询；而 Pandas 则提供了更直观的方法如 `.dropna()` 方法可以直接作用于整个 DataFrame 或者其子集之上[^2]。 为了达到目标——即删除在相同索引处具有任一缺失值的所有项目，下面给出了一种基于 NumPy 数组的方式： ```python import numpy as np # 创建一个示例性的三维随机浮点型 ndarray, 并引入一些 NaNs. data = np.random.rand(4, 3, 2) * 100 mask = (np.random.rand(*data.shape) < .1).astype(bool) data[mask] = np.nan print("原始数据:") print(data) def remove_items_with_nan_at_same_index(array): """ 移除在相同索引上有 NaN 的所有元素 参数: array (ndarray): 输入的 n 维数组 返回: cleaned_array (ndarray): 清洗后的不含特定模式下 NaN 的新数组 """ # 获取每一层内含有的 NaN 的行号集合 nan_rows_per_layer = [ set(np.where(np.isnan(layer))[0]) for layer in array] # 找到所有层中共有的 NaN 行号交集 common_nan_row_indices = set.intersection( *[set(rows) for rows in nan_rows_per_layer]) # 构建过滤器：排除掉上述找到的所有共同拥有 NaN 的行 filter_mask = ~np.isin( np.arange(array.shape[1]), list(common_nan_row_indices)) # 应用此过滤器至原输入数组上的每一个二维切片/layer 上 filtered_layers = [layer[filter_mask] for layer in array] # 将结果重新堆叠成一个新的三维数组返回 cleaned_array = np.stack(filtered_layers, axis=0) return cleaned_array cleaned_data = remove_items_with_nan_at_same_index(data) print("\n清洗后的数据:") print(cleaned_data) ``` 这段代码首先构建了一个带有随机分布数值以及部分被设为 `NaN` 的三维数组作为例子展示。定义函数 `remove_items_with_nan_at_same_index` 接收这样的三维数组参数，内部计算哪些行在其所有的 "layers"(第二级维度) 下都出现了至少一次 `NaN` ，最后只保留那些不存在这种情况下的全部记录形成新的输出。 如果希望采用 Pandas 实现相似功能，则可能需要先将三维数据转换为适合的操作形式，比如 MultiIndex DataFrame 或列表形式的一系列 DataFrames，再分别调用相应 API 完成清理工作。不过需要注意的是，由于 Pandas 主要面向表格化数据分析场景设计，因此直接针对高维张量做这类变换可能会比较繁琐[^1]。