您可以使用df.isna().sum(axis=1)按行计数NaNs的数量，然后使用GroupByid并使用idxmin选择NaNs较少的行：

df.loc[df.isna().sum(axis=1).groupby(df.id).idxmin(),:]

   id    B    C    D
0   1  2.0  3.0  4.0
5   2  9.0  7.0  8.0

确保缺少的值为您指定的NaNs，否则从以下内容开始：

df.replace('.',np.nan)

一种不同的方法，它比你要求的做得更多。这是如果一行中缺少一些值，另一行中缺少不同的值，你想合并这些值以获得更完整的信息：

df = pd.DataFrame({"id": [1, 1, 1, 2, 2, 2], "B": [2, np.nan, np.nan, np.nan, np.nan, 9], "C": [3, 3, np.nan, 7, np.nan, np.nan], "D": [4, 4, 4, np.nan, 8, np.nan]})
#      B    C    D  id
# 0  NaN  3.0  4.0   1
# 1  NaN  3.0  NaN   1
# 2  NaN  NaN  4.0   1
# 3  NaN  7.0  NaN   2
# 4  NaN  NaN  8.0   2
# 5  9.0  NaN  NaN   2

df.groupby("id", as_index=False).fillna(method="bfill").drop_duplicates(subset="id")
#      B    C    D  id
# 0  NaN  3.0  4.0   1
# 3  9.0  7.0  8.0   2

请注意，示例df与您的问题略有不同，以便展示这种方法在哪里更好。
对于id 1，它与只取第一行相同。但对于id 2，它实际上能够填写所有值，而您的（或其他答案）将只取一行，所有这些都很糟糕。
显然，这是假设不是NaN的值保持不变。如果它们不一样，则只取该列中第一次出现的NaN。
编辑：
在较新的pandas版本（至少1.4.2）中，fillna在应用于分组 Dataframe 时似乎会做一些奇怪的事情，并删除id列。您可以使用apply来规避此问题：

df.groupby("id", as_index=False)\
  .apply(lambda s: s.fillna(method="bfill"))\
  .drop_duplicates(subset="id")

您可以使用以下命令删除具有一定数量NaN的任何行：

df = df.dropna(axis=0, thresh=4)  # drop any row that has at least 4 non-nans within it.

axis=0为行
thresh=4是检查。您可以将其设置为任何您喜欢的值。您可以将其设置为2，以便删除任何具有2个或更多NaN的行。