我会使用 boolean indexing 和pandas.Series.isin：

m = df.agg(tuple, axis=1).isin(rows_to_remove)

df = df.loc[~m]

输出量：

print(df)

   A  B
1  b  2
3  d  1

您可以使用带有指示器的merge：

out = (df.merge(pd.DataFrame(rows_to_remove, columns=['A', 'B']), indicator=True, how='left')
         .query('_merge == "left_only"')
         #.drop(columns='_merge') # commented to see the logic
       )

输出量：

A  B     _merge
1  b  2  left_only
3  d  1  left_only

或者，与drop结合使用：

idx = (df.merge(pd.DataFrame(rows_to_remove, columns=['A', 'B']), how='left', indicator=True)
         .query('_merge == "both"').index
      )

out = df.drop(idx)

输出量：

A  B
1  b  2
3  d  1

如果您import numpy as np，您可以：

df[~(df.values==np.array(rows_to_remove, dtype=object)[:,None]).any(0).all(-1)]

它很有趣，但也很有用，因为我在google-colab上测试过，性能是274 µs ± 11.6 µs与@Timeless的解决方案中的1.44 ms ± 37.7µs，我认为这是最好的，这是我一读到问题就想到的同一个。
如果能看到更大的 Dataframe 之间的差异，那将是一件很有趣的事情。

您可以从rows_to_remove创建一个嵌套框架，然后附加到原始嵌套框架并删除重复项：

>>> (pd.concat([df, pd.DataFrame(rows_to_remove, columns=['A', 'B'])])
       .drop_duplicates(['A', 'B'], keep=False))

   A  B
1  b  2
3  d  1

希望这对你有帮助。你可以使用'df.drop'按索引删除行/列。请看下面提到的：
DataFrame.drop（labels=None，*，axis=0，index=None，columns=None，level=None，inplace=False，errors='raise'）[https：//pandas.pydata.org/docs/reference/api/pandas.DataFrame.drop.html]