pythondataframe删除行_使用DataFrame删除行和列的实例讲解

最新推荐文章于 2024-06-03 10:42:10 发布
最新推荐文章于 2024-06-03 10:42:10 发布
阅读量407 收藏
点赞数
文章标签： pythondataframe删除行

本文通过一个csv实例文件来展示如何删除Pandas.DataFrame的行和列

数据文件名为:example.csv

内容为：

date

spring

summer

autumn

winter

2000

12.2338809

16.90730113

15.69238313

14.08596223

2001

12.84748057

16.75046873

14.51406637

13.5037456

2002

13.558175

17.2033926

15.6999475

13.23365247

2003

12.6547247

16.89491533

15.6614647

12.84347867

2004

13.2537298

17.04696657

15.20905377

14.3647912

2005

13.4443049

16.7459822

16.62218797

11.61082257

2006

13.50569567

16.83357857

15.4979282

12.19934363

2007

13.48852623

16.66773283

15.81701437

13.7438216

2008

13.1515319

16.48650693

15.72957287

12.93233587

2009

13.45771543

16.63923783

18.26017997

12.65315943

2010

13.1945485

16.7286889

15.42635267

13.8833583

2011

14.34779417

16.68942103

14.17658043

12.36654197

2012

13.6050867

17.13056773

14.71796777

13.29255243

2013

13.02790787

17.38619343

16.20345497

13.18612133

2014

12.74668163

16.54428687

14.7367682

12.87065125

2015

13.465904

16.50612317

12.44243663

11.0181384

season

spring

summer

autumn

winter

slope

0.0379691374

-0.01164689167

-0.07913844113

-0.07765274553

删除行

In [1]:

import numpy as np

import pandas as pd

odata = pd.read_csv('example.csv')

odata

Out[1]:

date spring summer autumn winter

0 2000 12.2338809 16.9073011333 15.6923831333 14.0859622333

1 2001 12.8474805667 16.7504687333 14.5140663667 13.5037456

2 2002 13.558175 17.2033926 15.6999475 13.2336524667

3 2003 12.6547247 16.8949153333 15.6614647 12.8434786667

4 2004 13.2537298 17.0469665667 15.2090537667 14.3647912

5 2005 13.4443049 16.7459822 16.6221879667 11.6108225667

6 2006 13.5056956667 16.8335785667 15.4979282 12.1993436333

7 2007 13.4885262333 16.6677328333 15.8170143667 13.7438216

8 2008 13.1515319 16.4865069333 15.7295728667 12.9323358667

9 2009 13.4577154333 16.6392378333 18.2601799667 12.6531594333

10 2010 13.1945485 16.7286889 15.4263526667 13.8833583

11 2011 14.3477941667 16.6894210333 14.1765804333 12.3665419667

12 2012 13.6050867 17.1305677333 14.7179677667 13.2925524333

13 2013 13.0279078667 17.3861934333 16.2034549667 13.1861213333

14 2014 12.7466816333 16.5442868667 14.7367682 12.8706512467

15 2015 13.465904 16.5061231667 12.4424366333 11.0181384

16 season spring summer autumn winter

17 slope 0.037969137402 -0.0116468916667 -0.0791384411275 -0.0776527455294

.drop()方法如果不设置参数inplace=True，则只能在生成的新数据块中实现删除效果，而不能删除原有数据块的相应行。

In [2]:

data = odata.drop([16,17])

odata

Out[2]:

date spring summer autumn winter

0 2000 12.2338809 16.9073011333 15.6923831333 14.0859622333

1 2001 12.8474805667 16.7504687333 14.5140663667 13.5037456

2 2002 13.558175 17.2033926 15.6999475 13.2336524667

3 2003 12.6547247 16.8949153333 15.6614647 12.8434786667

4 2004 13.2537298 17.0469665667 15.2090537667 14.3647912

5 2005 13.4443049 16.7459822 16.6221879667 11.6108225667

6 2006 13.5056956667 16.8335785667 15.4979282 12.1993436333

7 2007 13.4885262333 16.6677328333 15.8170143667 13.7438216

8 2008 13.1515319 16.4865069333 15.7295728667 12.9323358667

9 2009 13.4577154333 16.6392378333 18.2601799667 12.6531594333

10 2010 13.1945485 16.7286889 15.4263526667 13.8833583

11 2011 14.3477941667 16.6894210333 14.1765804333 12.3665419667

12 2012 13.6050867 17.1305677333 14.7179677667 13.2925524333

13 2013 13.0279078667 17.3861934333 16.2034549667 13.1861213333

14 2014 12.7466816333 16.5442868667 14.7367682 12.8706512467

15 2015 13.465904 16.5061231667 12.4424366333 11.0181384

16 season spring summer autumn winter

17 slope 0.037969137402 -0.0116468916667 -0.0791384411275 -0.0776527455294

In [3]:

data

Out[3]:

date spring summer autumn winter

0 2000 12.2338809 16.9073011333 15.6923831333 14.0859622333

1 2001 12.8474805667 16.7504687333 14.5140663667 13.5037456

2 2002 13.558175 17.2033926 15.6999475 13.2336524667

3 2003 12.6547247 16.8949153333 15.6614647 12.8434786667

4 2004 13.2537298 17.0469665667 15.2090537667 14.3647912

5 2005 13.4443049 16.7459822 16.6221879667 11.6108225667

6 2006 13.5056956667 16.8335785667 15.4979282 12.1993436333

7 2007 13.4885262333 16.6677328333 15.8170143667 13.7438216

8 2008 13.1515319 16.4865069333 15.7295728667 12.9323358667

9 2009 13.4577154333 16.6392378333 18.2601799667 12.6531594333

10 2010 13.1945485 16.7286889 15.4263526667 13.8833583

11 2011 14.3477941667 16.6894210333 14.1765804333 12.3665419667

12 2012 13.6050867 17.1305677333 14.7179677667 13.2925524333

13 2013 13.0279078667 17.3861934333 16.2034549667 13.1861213333

14 2014 12.7466816333 16.5442868667 14.7367682 12.8706512467

15 2015 13.465904 16.5061231667 12.4424366333 11.0181384

如果inplace=True则原有数据块的相应行被删除

In [4]:

odata.drop(odata.index[[16,17]],inplace=True)

odata

Out[4]:

date spring summer autumn winter

0 2000 12.2338809 16.9073011333 15.6923831333 14.0859622333

1 2001 12.8474805667 16.7504687333 14.5140663667 13.5037456

2 2002 13.558175 17.2033926 15.6999475 13.2336524667

3 2003 12.6547247 16.8949153333 15.6614647 12.8434786667

4 2004 13.2537298 17.0469665667 15.2090537667 14.3647912

5 2005 13.4443049 16.7459822 16.6221879667 11.6108225667

6 2006 13.5056956667 16.8335785667 15.4979282 12.1993436333

7 2007 13.4885262333 16.6677328333 15.8170143667 13.7438216

8 2008 13.1515319 16.4865069333 15.7295728667 12.9323358667

9 2009 13.4577154333 16.6392378333 18.2601799667 12.6531594333

10 2010 13.1945485 16.7286889 15.4263526667 13.8833583

11 2011 14.3477941667 16.6894210333 14.1765804333 12.3665419667

12 2012 13.6050867 17.1305677333 14.7179677667 13.2925524333

13 2013 13.0279078667 17.3861934333 16.2034549667 13.1861213333

14 2014 12.7466816333 16.5442868667 14.7367682 12.8706512467

15 2015 13.465904 16.5061231667 12.4424366333 11.0181384

删除列

del方法

In [5]:

del odata['date']

odata

Out[5]:

spring summer autumn winter

0 12.2338809 16.9073011333 15.6923831333 14.0859622333

1 12.8474805667 16.7504687333 14.5140663667 13.5037456

2 13.558175 17.2033926 15.6999475 13.2336524667

3 12.6547247 16.8949153333 15.6614647 12.8434786667

4 13.2537298 17.0469665667 15.2090537667 14.3647912

5 13.4443049 16.7459822 16.6221879667 11.6108225667

6 13.5056956667 16.8335785667 15.4979282 12.1993436333

7 13.4885262333 16.6677328333 15.8170143667 13.7438216

8 13.1515319 16.4865069333 15.7295728667 12.9323358667

9 13.4577154333 16.6392378333 18.2601799667 12.6531594333

10 13.1945485 16.7286889 15.4263526667 13.8833583

11 14.3477941667 16.6894210333 14.1765804333 12.3665419667

12 13.6050867 17.1305677333 14.7179677667 13.2925524333

13 13.0279078667 17.3861934333 16.2034549667 13.1861213333

14 12.7466816333 16.5442868667 14.7367682 12.8706512467

15 13.465904 16.5061231667 12.4424366333 11.0181384

.pop()方法

.pop方法可以将所选列从原数据块中弹出，原数据块不再保留该列

In [6]:

spring = odata.pop('spring')

spring

Out[6]:

0 12.2338809

1 12.8474805667

2 13.558175

3 12.6547247

4 13.2537298

5 13.4443049

6 13.5056956667

7 13.4885262333

8 13.1515319

9 13.4577154333

10 13.1945485

11 14.3477941667

12 13.6050867

13 13.0279078667

14 12.7466816333

15 13.465904

Name: spring, dtype: object

In [7]:

odata

Out[7]:

summer autumn winter

0 16.9073011333 15.6923831333 14.0859622333

1 16.7504687333 14.5140663667 13.5037456

2 17.2033926 15.6999475 13.2336524667

3 16.8949153333 15.6614647 12.8434786667

4 17.0469665667 15.2090537667 14.3647912

5 16.7459822 16.6221879667 11.6108225667

6 16.8335785667 15.4979282 12.1993436333

7 16.6677328333 15.8170143667 13.7438216

8 16.4865069333 15.7295728667 12.9323358667

9 16.6392378333 18.2601799667 12.6531594333

10 16.7286889 15.4263526667 13.8833583

11 16.6894210333 14.1765804333 12.3665419667

12 17.1305677333 14.7179677667 13.2925524333

13 17.3861934333 16.2034549667 13.1861213333

14 16.5442868667 14.7367682 12.8706512467

15 16.5061231667 12.4424366333 11.0181384

.drop()方法

drop方法既可以保留原数据块中的所选列，也可以删除，这取决于参数inplace

In [8]:

withoutSummer = odata.drop(['summer'],axis=1)

withoutSummer

Out[8]:

autumn winter

0 15.6923831333 14.0859622333

1 14.5140663667 13.5037456

2 15.6999475 13.2336524667

3 15.6614647 12.8434786667

4 15.2090537667 14.3647912

5 16.6221879667 11.6108225667

6 15.4979282 12.1993436333

7 15.8170143667 13.7438216

8 15.7295728667 12.9323358667

9 18.2601799667 12.6531594333

10 15.4263526667 13.8833583

11 14.1765804333 12.3665419667

12 14.7179677667 13.2925524333

13 16.2034549667 13.1861213333

14 14.7367682 12.8706512467

15 12.4424366333 11.0181384

In [9]:

odata

Out[9]:

summer autumn winter

0 16.9073011333 15.6923831333 14.0859622333

1 16.7504687333 14.5140663667 13.5037456

2 17.2033926 15.6999475 13.2336524667

3 16.8949153333 15.6614647 12.8434786667

4 17.0469665667 15.2090537667 14.3647912

5 16.7459822 16.6221879667 11.6108225667

6 16.8335785667 15.4979282 12.1993436333

7 16.6677328333 15.8170143667 13.7438216

8 16.4865069333 15.7295728667 12.9323358667

9 16.6392378333 18.2601799667 12.6531594333

10 16.7286889 15.4263526667 13.8833583

11 16.6894210333 14.1765804333 12.3665419667

12 17.1305677333 14.7179677667 13.2925524333

13 17.3861934333 16.2034549667 13.1861213333

14 16.5442868667 14.7367682 12.8706512467

15 16.5061231667 12.4424366333 11.0181384

当inplace=True时.drop()执行内部删除，不返回任何值，原数据发生改变

In [10]:

withoutWinter = odata.drop(['winter'],axis=1,inplace=True)

type(withoutWinter)

Out[10]:

NoneType

In [11]:

odata

Out[11]:

summer autumne

0 16.9073011333 15.6923831333

1 16.7504687333 14.5140663667

2 17.2033926 15.6999475

3 16.8949153333 15.6614647

4 17.0469665667 15.2090537667

5 16.7459822 16.6221879667

6 16.8335785667 15.4979282

7 16.6677328333 15.8170143667

8 16.4865069333 15.7295728667

9 16.6392378333 18.2601799667

10 16.7286889 15.4263526667

11 16.6894210333 14.1765804333

12 17.1305677333 14.7179677667

13 17.3861934333 16.2034549667

14 16.5442868667 14.7367682

15 16.5061231667 12.4424366333

总结，不论是行删除还是列删除，也不论是原数据删除，还是输出新变量删除，.drop()的方法都能达到目的，为了方便好记，熟练操作，所以应该尽量多使用.drop()方法

weixin_39629876
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python : 如何删除dataframe中的列
Ric027的博客
09-21 2291
在这里插入代码片@TOC Python : 如何删除dataframe中的列 df = pd.DataFrame({'a':[1,2,3],'b':[2,3,4]}) 第一种： df = df.drop('a',1) #这里的1表示列，直接去掉第一列 第二种： df['c'] = [5,6,7] #先添加一列上去，再来继续操作哈～ del df['b'] #这样就删除了b列了～ 第三种： df['d'] = [7,8,9] #添加一列上去 df.drop('c',axis = 1, inplace = Tr
python删除列_pandas DataFrame行或列的删除方法的实现示例
weixin_39941721的博客
11-25 780
此文我们继续围绕DataFrame介绍相关操作。平时在用DataFrame时候，删除操作用的不太多，基本是从源DataFrame中筛选数据，组成一个新的DataFrame再继续操作。1. 删除DataFrame某一列这里我们继续用上一节产生的DataFrame来做例子，原DataFrame如下：我们使用drop()函数，此函数有一个列表形参labels，写的时候可以加上labels=[xxx]，也...
利用numpy删除DataFrame某一行/列、多行内容
采菊东篱下，Python满乾坤！
09-04 9076
一、用法： DataFrame.drop(labels=None,axis=0, index=None, columns=None, inplace=False) 参数说明： labels：就是要删除的行列的名字，用列表给定axis： 默认为0，指删除行，因此删除columns时要指定axis=1；index：直接指定要删除的行columns： 直接指定要删除的列inplace=False...
【Python】 删除Pandas DataFrame中基于列值的行
最新发布
PythonWeb实践
06-03 435
在Pandas中，删除DataFrame中的行是一个常见的操作，可以通过布尔索引灵活地实现。同时，注意备份数据、确保条件的准确性，并考虑性能和代码可读性，以确保数据处理的安全性和效率。例如，我们可能需要删除那些不符合特定条件的行，或者删除那些具有特定列值的行。DataFrame是一个二维表格型数据结构，它含有一组有序的列，每列可以是不同的数据类型（数值、字符串、布尔值等）。删除DataFrame中的行通常涉及到布尔索引的使用，这是一种非常灵活和强大的方法。如果我们需要基于多个条件来删除行，可以使用。
pythondataframe删除行_[译]在Pandas的Dataframe中删除行、列
weixin_39760206的博客
12-09 235
导入模块import pandas as pd创建dataframedata = {'name': ['Jason', 'Molly', 'Tina', 'Jake', 'Amy'],'year': [2012, 2012, 2013, 2014, 2014],'reports': [4, 24, 31, 2, 3]}df = pd.DataFrame(data, index = ['Cochic...
python dataframe 删除行_python-从pandas DataFrame删除包含空单元格的行
weixin_39588542的博客
12-04 408
Pythonic +可焊性：df[df['col'].astype(bool)]空字符串是虚假的，这意味着您可以像这样过滤布尔值：df = pd.DataFrame({'A': range(5),'B': ['foo', '', 'bar', '', 'xyz']})dfA B0 0 foo1 12 2 bar3 34 4 xyzdf['B'].astype(bool)0 ...
python从DataFrame中删除列
weixin_46713695的博客
02-15 4306
Python从DataFrame中删除列
python dataframe删除某一列_pandas DataFrame行或列的删除方法
weixin_39613712的博客
11-29 6381
pandas DataFrame的增删查改总结系列文章：此文我们继续围绕DataFrame介绍相关操作。平时在用DataFrame时候，删除操作用的不太多，基本是从源DataFrame中筛选数据，组成一个新的DataFrame再继续操作。1. 删除DataFrame某一列这里我们继续用上一节产生的DataFrame来做例子，原DataFrame如下：我们使用drop()函数，此函数有一个列表形参l...
使用DataFrame删除行和列的实例讲解
09-20
在实际的数据分析工作中，我们经常需要根据需求删除DataFrame中的行和列。下面我们将通过实例详细讲解如何在DataFrame中进行这些操作。 1. **删除行** 删除行通常可以通过以下几种方式实现： - **drop函数**：...
python pandas库中DataFrame对行和列的操作实例讲解
09-20
本文会详细讲解如何在DataFrame中对行和列进行各种操作，包括但不限于如何选取、添加、删除、修改等。 首先，来看如何创建一个DataFrame对象。在pandas中，我们通常使用`pd.DataFrame()`函数来创建一个DataFrame。...
python pandas dataframe 合并_python pandas dataframe 按列或者按行合并的方法
weixin_39716800的博客
11-30 2693
python pandas dataframe 按列或者按行合并的方法concat 与其说是连接，更准确的说是拼接。就是把两个表直接合在一起。于是有一个突出的问题，是横向拼接还是纵向拼接，所以concat 函数的关键参数是axis 。函数的具体参数是：concat(objs,axis=0,join='outer',join_axes=None,ignore_index=False,keys=Non...
DataFrame中去除指定列为空的行方法
09-20
下面小编就为大家分享一篇DataFrame中去除指定列为空的行方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
python dataframe取多列_Python DataFrame一列拆成多列以及一行拆成多行
weixin_39528366的博客
12-03 2790
Python DataFrame一列拆成多列以及一行拆成多行摘要在进行数据分析时，我们经常需要把DataFrame的一列拆成多列或者根据某列把一行拆成多行，这篇文章主要讲解这两个目标的实现。1.读取数据2.将City列转成多列(以‘|'为分隔符)这里使用匿名函数lambda来讲City列拆成两列。3.将DataFrame一行拆成多行(以‘|'为分隔符)方法一：在刚刚得到的DataFrame基础上操...
dataframe删除某一列
m0_62865498的博客
11-04 898
使用drop方法删除列df = df.drop(‘B’, axis=1) # 通过指定列名和axis=1来删除列。
python Dataframe 根据某一列的值来删除多行
GhostintheCode的博客
03-24 3085
python Dataframe 根据某一列的值来删除多行 在Dataframe中，有的时候想根据某一列值来删除。 方法一：你可以做负isin()索引： In [57]: df Out[57]: a b c 0 1 2 2 1 1 7 0 2 3 7 1 3 3 2 7 4 1 3 1 5 3 4 2 6 0 7 1 7 5 4 3 8 6 1 0 9 3 2 0 In [58]: my_list = [1, 7, 8] In [59]
dataframe中删除某一列或某一行
热门推荐
qz的博客
10-06 10万+
1. 函数 DataFrame.drop(labels=None,axis=0, index=None, columns=None, inplace=False) 参数含义： labels：要删除的行或列，用列表给出 axis：默认为0，指要删除的是行，删除列时需指定axis为1 index ：直接指定要删除的行，删除多行可以使用列表作为参数 columns：直接指定要删除的列，删除多列可以使用列表作为参数 inplace: 默认为False，该删除操作不改变原数据；inplace = True时，改变
dataframe删除指定列
dair6的博客
12-14 1万+
dataframe删除指定列 import pandas as pd df = pd.DataFrame([[1, 2, 3], [4, 5, 6]],columns=['A','B','C']) df = df.drop(['A'], axis=1) #删除A列 a b c 0 1 2 3 1 4 5 6 输出： b c 0 2 3 1 5 6
dateframe删除指定列
weixin_42602726的博客
01-18 1271
可以使用drop()函数来删除指定列。 语法: dataframe.drop(columns, axis=1, inplace=True) 其中，'columns' 是需要删除的列名，可以是字符串或列表；'axis' 指定删除的轴，默认为 1，即列；'inplace' 指定是否在原始数据上进行修改，默认为 False。 例如： df = pd.DataFrame({'A': [1, 2, 3], ...
python dataframe升序排列
07-27
- *2* *3* [Python中Dataframe数据的排序（含实例讲解）](https://blog.csdn.net/wzk4869/article/details/126370595)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值