您可以使用遮罩移除NaN：

mask = ~np.isnan(varx) & ~np.isnan(vary)
slope, intercept, r_value, p_value, std_err = stats.linregress(varx[mask], vary[mask])

字符串

它与linregress无关，因为它只允许一维数组，但如果x是二维的，并且您正在使用sklearn.linear_model.LinearRegression/statsmodels.api.OLS等构建线性回归模型，则有必要按行删除NaN。

m = ~(np.isnan(x).any(axis=1) | np.isnan(y))
x_m, y_m = x[m], y[m]

字符串
在上面的示例中，any()将2-D掩码缩减为1-D掩码，该掩码可用于删除行。
一个工作示例可能如下所示。

import numpy as np
from sklearn.linear_model import LinearRegression
# sample data
x = np.random.default_rng(0).normal(size=(100,5))    # x is shape (100,5)
y = np.random.default_rng(0).normal(size=100)
# add some NaNs
x[[10,20], [1,3]] = np.nan
y[5] = np.nan

lr = LinearRegression().fit(x, y)             # <---- ValueError

m = ~(np.isnan(x).any(axis=1) | np.isnan(y))  
x_m, y_m = x[m], y[m]                         # remove NaNs
lr = LinearRegression().fit(x_m, y_m)         # <---- OK

型
使用statsmodels，它甚至更容易，因为它的模型（例如OLS、Logit、GLM等）有一个关键字参数missing=，可以用来隐藏NaN。

import statsmodels.api as sm
model = sm.OLS(y, x, missing='drop').fit()
model.summary()

型