您可以先从数据中删除NaN s，然后绘制过滤后的数据。
为此，您可以首先使用np.isnan(data)找到NaN s，然后使用~执行该布尔数组的按位求逆：按位求逆运算符。使用它来索引数据数组，然后过滤掉NaN s。

filtered_data = data[~np.isnan(data)]

在一个完整的例子中（改编自here）

在python 3.10、matplotlib 3.5.1、seaborn 0.11.2、numpy 1.21.5、pandas 1.4.2中测试

一维数据：

import matplotlib.pyplot as plt
import numpy as np

# fake up some data
np.random.seed(2022)  # so the same data is created each time
spread = np.random.rand(50) * 100
center = np.ones(25) * 50
flier_high = np.random.rand(10) * 100 + 100
flier_low = np.random.rand(10) * -100
data = np.concatenate((spread, center, flier_high, flier_low), 0)

# Add a NaN
data[40] = np.NaN

# Filter data using np.isnan
filtered_data = data[~np.isnan(data)]

# basic plot
plt.boxplot(filtered_data)

plt.show()

二维数据：

对于2D数据，你不能简单地使用上面的掩码，因为数据数组的每一列都有不同的长度。相反，我们可以创建一个列表，列表中的每一项都是数据数组每一列的过滤数据。
一个列表解析可以在一行中做到这一点：[d[m] for d, m in zip(data.T, mask.T)]

import matplotlib.pyplot as plt
import numpy as np

# fake up some data
np.random.seed(2022)  # so the same data is created each time
spread = np.random.rand(50) * 100
center = np.ones(25) * 50
flier_high = np.random.rand(10) * 100 + 100
flier_low = np.random.rand(10) * -100
data = np.concatenate((spread, center, flier_high, flier_low), 0)

data = np.column_stack((data, data * 2., data + 20.))

# Add a NaN
data[30, 0] = np.NaN
data[20, 1] = np.NaN

# Filter data using np.isnan
mask = ~np.isnan(data)
filtered_data = [d[m] for d, m in zip(data.T, mask.T)]

# basic plot
plt.boxplot(filtered_data)

plt.show()

我将把它作为一个练习留给读者来扩展到3维或更多维，但你会得到这个想法。
上面的解决方案是如何单独使用matplotlib来实现这一点。其他替代方案（在后台使用matplotlib）也可以内置此行为，因此不需要自己过滤数据。
1.使用seaborn，这是matplotlib的高级API。seaborn.boxplot在后台过滤NaN。

import seaborn as sns

sns.boxplot(data=data)

1D

二维

1.使用pandas。如果从df.plot(kind='box')打印pandas，则NaN也会被忽略，pandas使用matplotlib作为默认打印后端。

import pandas as pd

df = pd.DataFrame(data)

df.plot(kind='box')

1D

二维