Pandas 删除数据

已于 2023-04-16 13:49:16 修改
阅读量9k 收藏 65
点赞数 12
分类专栏： python 基础 文章标签： pandas python 数据分析
于 2023-04-16 13:42:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44639720/article/details/130180495
版权

文章目录

创建DataFrame数据

import numpy as np
import pandas as pd

a = np.ones((12, 9))
for i in range(len(a)):
    a[i,:i] = np.nan

df = pd.DataFrame(data=a, columns=['one', 'two', 'three','four','five','six','seven','eight','nine'])
print(df)

运行结果如下：

    one  two  three  four  five  six  seven  eight  nine
0   1.0  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
1   NaN  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
2   NaN  NaN    1.0   1.0   1.0  1.0    1.0    1.0   1.0
3   NaN  NaN    NaN   1.0   1.0  1.0    1.0    1.0   1.0
4   NaN  NaN    NaN   NaN   1.0  1.0    1.0    1.0   1.0
5   NaN  NaN    NaN   NaN   NaN  1.0    1.0    1.0   1.0
6   NaN  NaN    NaN   NaN   NaN  NaN    1.0    1.0   1.0
7   NaN  NaN    NaN   NaN   NaN  NaN    NaN    1.0   1.0
8   NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   1.0
9   NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
10  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
11  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN

一、删除缺失值

pandas.DataFrame.dropna(axis, how= None, thresh, subset, inplace)

  • axis: default 0指行，1为列
  • how: {‘any’, ‘all’}，default ‘any’指带缺失值的所有行；'all’指清除全是缺失值的
  • thresh: int，保留含有int个非空值的行
  • subset: 对特定的列进行缺失值删除处理
  • inplace: 这个很常见，True表示直接在原数据上更改

1.1 按照行删除数据

1.1.1 删除空值对应的所有行

# 1. 存在空值，即删除该行
print(df.dropna(axis=0, how='any'))

执行结果如下：

   one  two  three  four  five  six  seven  eight  nine
0  1.0  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0

1.1.2 删除所有列数据都为空值的行

print(df.dropna(axis=0, how='all'))

执行结果如下：

   one  two  three  four  five  six  seven  eight  nine
0  1.0  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
1  NaN  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
2  NaN  NaN    1.0   1.0   1.0  1.0    1.0    1.0   1.0
3  NaN  NaN    NaN   1.0   1.0  1.0    1.0    1.0   1.0
4  NaN  NaN    NaN   NaN   1.0  1.0    1.0    1.0   1.0
5  NaN  NaN    NaN   NaN   NaN  1.0    1.0    1.0   1.0
6  NaN  NaN    NaN   NaN   NaN  NaN    1.0    1.0   1.0
7  NaN  NaN    NaN   NaN   NaN  NaN    NaN    1.0   1.0
8  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   1.0

1.1.3 删除大于等于5个列中的数值为空值的行

print(df.dropna(axis=0, thresh=5))

执行结果如下：

   one  two  three  four  five  six  seven  eight  nine
0  1.0  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
1  NaN  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
2  NaN  NaN    1.0   1.0   1.0  1.0    1.0    1.0   1.0
3  NaN  NaN    NaN   1.0   1.0  1.0    1.0    1.0   1.0
4  NaN  NaN    NaN   NaN   1.0  1.0    1.0    1.0   1.0

1.2 按照列删除数据

1.2.1 删除所有空值对应的行，并原地替换

df.dropna(inplace=True)
print(df)

执行结果如下：

   one  two  three  four  five  six  seven  eight  nine
0  1.0  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0

1.2.2 删除某些列中任意列中数值为空值对应的行

# 2. 删除 five, six 任意列中有空值对应的行，并原地替换
subset = ['five', 'six']
df.dropna(subset=subset, how='any', inplace=True)
print(df)

执行结果如下：

   one  two  three  four  five  six  seven  eight  nine
0  1.0  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
1  NaN  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
2  NaN  NaN    1.0   1.0   1.0  1.0    1.0    1.0   1.0
3  NaN  NaN    NaN   1.0   1.0  1.0    1.0    1.0   1.0
4  NaN  NaN    NaN   NaN   1.0  1.0    1.0    1.0   1.0

1.2.3 删除某些列中所有列中数值都为空值对应的行

# 3. 删除 five, six 所有列都为空值对应的行
print(df.dropna(axis=0, how='all', subset=['five', 'six']))

执行结果如下：

   one  two  three  four  five  six  seven  eight  nine
0  1.0  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
1  NaN  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
2  NaN  NaN    1.0   1.0   1.0  1.0    1.0    1.0   1.0
3  NaN  NaN    NaN   1.0   1.0  1.0    1.0    1.0   1.0
4  NaN  NaN    NaN   NaN   1.0  1.0    1.0    1.0   1.0
5  NaN  NaN    NaN   NaN   NaN  1.0    1.0    1.0   1.0

1.2.4 删除非空元素小于5个的列

# 4. 删除非空元素小于5个的列
print(d.dropna(thresh=5))

执行结果如下：

    five  six  seven  eight  nine
0    1.0  1.0    1.0    1.0   1.0
1    1.0  1.0    1.0    1.0   1.0
2    1.0  1.0    1.0    1.0   1.0
3    1.0  1.0    1.0    1.0   1.0
4    1.0  1.0    1.0    1.0   1.0
5    NaN  1.0    1.0    1.0   1.0
6    NaN  NaN    1.0    1.0   1.0
7    NaN  NaN    NaN    1.0   1.0
8    NaN  NaN    NaN    NaN   1.0
9    NaN  NaN    NaN    NaN   NaN
10   NaN  NaN    NaN    NaN   NaN
11   NaN  NaN    NaN    NaN   NaN

二、删除指定行列数据

pandas.DataFrame.drop(labels,axis=0,level=None,columns=None, inplace=False,errors=’raise’)

  • labels：接收string或array，代表要删除的行或列的标签（行名或列名）。无默认值
  • axis：接收0或1，代表操作的轴（行或列）。默认为0，代表行；1为列。
  • level：接收int或索引名，代表标签所在级别。默认为None
  • inplace：接收布尔值，代表操作是否对原数据生效，默认为False
  • errors：errors='raise’会让程序在labels接收到没有的行名或者列名时抛出错误导致程序停止运行，errors='ignore’会忽略没有的行名或者列名，只对存在的行名或者列名进行操作。默认为‘errors=‘raise’’。

2.1 删除1列

# 删除 one 列
print(df.drop(labels='age_level', axis=1))

执行结果如下：

    two  three  four  five  six  seven  eight  nine
0   1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
1   1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
2   NaN    1.0   1.0   1.0  1.0    1.0    1.0   1.0
3   NaN    NaN   1.0   1.0  1.0    1.0    1.0   1.0
4   NaN    NaN   NaN   1.0  1.0    1.0    1.0   1.0
5   NaN    NaN   NaN   NaN  1.0    1.0    1.0   1.0
6   NaN    NaN   NaN   NaN  NaN    1.0    1.0   1.0
7   NaN    NaN   NaN   NaN  NaN    NaN    1.0   1.0
8   NaN    NaN   NaN   NaN  NaN    NaN    NaN   1.0
9   NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
10  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
11  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN

2.2 删除 第一行

print(df.drop(labels=0))

执行结果如下：

    one  two  three  four  five  six  seven  eight  nine
1   NaN  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
2   NaN  NaN    1.0   1.0   1.0  1.0    1.0    1.0   1.0
3   NaN  NaN    NaN   1.0   1.0  1.0    1.0    1.0   1.0
4   NaN  NaN    NaN   NaN   1.0  1.0    1.0    1.0   1.0
5   NaN  NaN    NaN   NaN   NaN  1.0    1.0    1.0   1.0
6   NaN  NaN    NaN   NaN   NaN  NaN    1.0    1.0   1.0
7   NaN  NaN    NaN   NaN   NaN  NaN    NaN    1.0   1.0
8   NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   1.0
9   NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
10  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
11  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN

2.3 同时删除多列

print(df.drop(labels=['one', 'two'], axis=1))

执行结果如下：

    three  four  five  six  seven  eight  nine
0     1.0   1.0   1.0  1.0    1.0    1.0   1.0
1     1.0   1.0   1.0  1.0    1.0    1.0   1.0
2     1.0   1.0   1.0  1.0    1.0    1.0   1.0
3     NaN   1.0   1.0  1.0    1.0    1.0   1.0
4     NaN   NaN   1.0  1.0    1.0    1.0   1.0
5     NaN   NaN   NaN  1.0    1.0    1.0   1.0
6     NaN   NaN   NaN  NaN    1.0    1.0   1.0
7     NaN   NaN   NaN  NaN    NaN    1.0   1.0
8     NaN   NaN   NaN  NaN    NaN    NaN   1.0
9     NaN   NaN   NaN  NaN    NaN    NaN   NaN
10    NaN   NaN   NaN  NaN    NaN    NaN   NaN
11    NaN   NaN   NaN  NaN    NaN    NaN   NaN

2.4 同时删除多行：删除第一行和第二行

print(df.drop(labels=range(2))) # 等价于df.drop(labels=[0,1])

执行结果如下：

    one  two  three  four  five  six  seven  eight  nine
2   NaN  NaN    1.0   1.0   1.0  1.0    1.0    1.0   1.0
3   NaN  NaN    NaN   1.0   1.0  1.0    1.0    1.0   1.0
4   NaN  NaN    NaN   NaN   1.0  1.0    1.0    1.0   1.0
5   NaN  NaN    NaN   NaN   NaN  1.0    1.0    1.0   1.0
6   NaN  NaN    NaN   NaN   NaN  NaN    1.0    1.0   1.0
7   NaN  NaN    NaN   NaN   NaN  NaN    NaN    1.0   1.0
8   NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   1.0
9   NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
10  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
11  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN

2.5 使用del 删除列

使用del删除列，且只能删除一列，不能同时删除多列

del df['one']
print(df)

执行结果如下：

    two  three  four  five  six  seven  eight  nine
0   1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
1   1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
2   NaN    1.0   1.0   1.0  1.0    1.0    1.0   1.0
3   NaN    NaN   1.0   1.0  1.0    1.0    1.0   1.0
4   NaN    NaN   NaN   1.0  1.0    1.0    1.0   1.0
5   NaN    NaN   NaN   NaN  1.0    1.0    1.0   1.0
6   NaN    NaN   NaN   NaN  NaN    1.0    1.0   1.0
7   NaN    NaN   NaN   NaN  NaN    NaN    1.0   1.0
8   NaN    NaN   NaN   NaN  NaN    NaN    NaN   1.0
9   NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
10  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
11  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN

2.6 删除缺失值占比大于70%的所有列

missing_df = ((df.isnull().sum())/df.shape[0])
missing_columns = (list(missing_df[missing_df >0.7].index))
print(df.drop(columns = list(missing_columns)))

执行结果如下：

    four  five  six  seven  eight  nine
0    1.0   1.0  1.0    1.0    1.0   1.0
1    1.0   1.0  1.0    1.0    1.0   1.0
2    1.0   1.0  1.0    1.0    1.0   1.0
3    1.0   1.0  1.0    1.0    1.0   1.0
4    NaN   1.0  1.0    1.0    1.0   1.0
5    NaN   NaN  1.0    1.0    1.0   1.0
6    NaN   NaN  NaN    1.0    1.0   1.0
7    NaN   NaN  NaN    NaN    1.0   1.0
8    NaN   NaN  NaN    NaN    NaN   1.0
9    NaN   NaN  NaN    NaN    NaN   NaN
10   NaN   NaN  NaN    NaN    NaN   NaN
11   NaN   NaN  NaN    NaN    NaN   NaN

2.7 删除满足条件的所有行

2.7.1 满足单条件的行数据删除

# 单条件删除：删除 one 列中值等于1.0的所有行
print(df.drop(df[df['one']==1.0].index))

执行结果如下：

    one  two  three  four  five  six  seven  eight  nine
1   NaN  1.0    1.0   1.0   1.0  1.0    1.0    1.0   1.0
2   NaN  NaN    1.0   1.0   1.0  1.0    1.0    1.0   1.0
3   NaN  NaN    NaN   1.0   1.0  1.0    1.0    1.0   1.0
4   NaN  NaN    NaN   NaN   1.0  1.0    1.0    1.0   1.0
5   NaN  NaN    NaN   NaN   NaN  1.0    1.0    1.0   1.0
6   NaN  NaN    NaN   NaN   NaN  NaN    1.0    1.0   1.0
7   NaN  NaN    NaN   NaN   NaN  NaN    NaN    1.0   1.0
8   NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   1.0
9   NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
10  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
11  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN

2.7.2 满足多条件的行数据删除

# 多个条件：删除 one 列或 nine 列中值等于1.0的所有行
print(df.drop(df[(df['one']==1.0) | (df['nine']==1.0)].index))

执行结果如下：

    one  two  three  four  five  six  seven  eight  nine
9   NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
10  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN
11  NaN  NaN    NaN   NaN   NaN  NaN    NaN    NaN   NaN

三、删除重复数据

pandas.DataFrame.drop_duplicates(subset=None, keep=‘first’, inplace=False)

  • subset： 默认值为None，表示检查所有列是否有重复的行。如果指定了这个参数，那么函数将仅检查指定的列是否有重复行。
  • keep：默认值为first，表示保留第一个值，删除其余的值。如果将其设置为last，则表示保留最后一个值，删除其余的值。
  • inplace：是否原地替换，默认不替换

创建DataFrame：

import pandas as pd
data = {'name': ['apple', 'orange', 'banana', 'banana', 'apple'],
       'price': [1.5, 2, 3, 3, 1.5],
       'weight': [1.5, 6, 8, 4, 1.5]}
df = pd.DataFrame(data)
print(df)

执行结果如下：

     name  price  weight
0   apple    1.5     1.5
1  orange    2.0     6.0
2  banana    3.0     8.0
3  banana    3.0     4.0
4   apple    1.5     1.5

3.1 删除所有列重复数据

# 默认删除所有列是否有重复数据
print(df.drop_duplicates())

执行结果如下：

     name  price  weight
0   apple    1.5     1.5
1  orange    2.0     6.0
2  banana    3.0     8.0
3  banana    3.0     4.0

3.2 指定列去除重复行

# 删除指定 name 列中有重复数据的行
print(df.drop_duplicates(subset=['name']))

执行结果如下：

     name  price  weight
0   apple    1.5     1.5
1  orange    2.0     6.0
2  banana    3.0     8.0

3.3 保留最后一个重复行

print(df.drop_duplicates(keep='last'))

执行结果如下：

     name  price  weight
1  orange    2.0     6.0
2  banana    3.0     8.0
3  banana    3.0     4.0
4   apple    1.5     1.5

从结果可以看出name为apple的数据为最后一行

索引重置：

drop_duplicates 默认情况下是保留原始的row index，但是有时候我们需要根据0-N这种等差递增的index做其他操作时候，则需要重置index。

  • ignore_index=True：重置行index为 0, 1, …, n – 1.
  • ignore_index=False：则保留原始的行index， 这是默认操作
print(df.drop_duplicates(keep='last', ignore_index=True))

执行结果如下：

     name  price  weight
0  orange    2.0     6.0
1  banana    3.0     8.0
2  banana    3.0     4.0
3   apple    1.5     1.5

从执行结果来看，行索引从0开始，最后一行重复数据由原来行索引为4重置成3

3.4 原地删除

原地删除重复数据，只需要把drop_duplicates方法中参数inplace=True即可

不忘初欣丶
关注
  • 12
    点赞
  • 踩
  • 65
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Pandas删除行列
lightis_tian的博客
03-19 3423
Pandas删除行列 删除行列的方法有主要有del和drop方法 1. del方法 del方法主要用于删除列 df = pd.read_csv(file) #删除列 del df[column_name] #例如，删除name列 del df['name'] 2. drop方法 drop方法最常用，可删除单行单列与多行多列，需指定axis参数 删除行： # 删除索引为2和3的两行 df.dro...
Pandas删除数据的几种情况(小结)
09-19
主要介绍了Pandas删除数据的几种情况(小结)，详细的介绍了4种方式，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
【pandas】删除满足条件元素所在的行
热门推荐
TomRen
02-06 11万+
按给定条件删除行
pandas缺失值该怎么处理?
devid008的博客
06-26 2025
在数据分析中，常常会遇到缺失值的问题。对缺失值的恰当处理可以有效提高数据质量和模型的预测精度。Pandas提供了丰富的方法来检测和处理缺失值。本文对这些方法作了详细概括。
python删除指定的行和列
tudoubz的博客
04-19 122
【代码】python删除指定的行和列。
Pandas实现按条件删除多行数据
jeekmary的博客
11-30 1万+
在工作中我们经常会遇到删除某些不符合条件的数据，而且有时候是删除多条，在这里我提供一个简单的操作拌饭 Question：删除有2个0以上的行（不包含2个） 1、我们先读取数据 当然这个数据可以从excel或者其他地方读取 df = pd.DataFrame({'a':[1,0,2,1,3],'b':[0,2,1,0,1],'c':[0,2,1,0,0],'d':[1,2,0,0,0]}) df 2、统计每一行包含0的个数 sums = (df == 0).astype(int).sum(axis=1
【Pandas必看】数据处理进阶-使用Query方法高效查询并删除符合条件行/列
qq_51210361的博客
12-03 402
介绍了使用Pandas的drop方法删除指定行或列，并演示了使用query方法进行高效查询的方法。通过合理运用这两种方法，我们可以提高数据处理的效率，简化代码，增强代码的可读性和可维护性。
pandas (十) 缺失值的处理：填充、删除、过滤、查询
风华浪浪的博客
07-02 1539
将姓名的缺失值填充： 使用前面的有效值填充，用ffill： forward fill。将清晰好的数据保存到excle中。读取excel，忽略前几行空行。将分数为空的填充为0分。
Python pandas 数据清洗 基础教程
01-15
本教程为您介绍了 Python pandas 的数据清洗基础知识，包括数据处理顺序、Pandas 库简介、Pandas 索引和选择数据、Pandas 数据统计和聚合、Pandas 数据缺失值处理、Pandas 数据可视化和数据探索分析。
pandas练习数据集.zip
05-01
pandas的三道综合小练习，需要的数据集。 2002年-2018年上海机动车拍照拍卖.csv 美国确证数.csv 美国死亡数.csv 2007年-2019年俄罗斯货运航班运载量.csv 文件来源网络，如有侵权，请联系删除，谢谢！
pandas 数据归一化以及行删除例程的方法
09-19
今天小编就为大家分享一篇pandas 数据归一化以及行删除例程的方法，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
pandas删除含有特定数值的行或列
06-20
使用pandas处理数据时，如何实现删除/选取某列含有特殊数值的行或者某行含有特殊数值的列，以及如何去除含有空值的行或列
数据分析+数据预处理+Pandas-DataFrame
07-11
Pandas-DataFrame常用基础知识点总结，代码示例，主要有对某列字符替换、groupby分组统计、聚合统计、根据某列进行排序、dataframe格式转字典、datafrane 多行合并为一行、新增与删除某列、删除某列字符大于8的行、...
详解pandas删除缺失数据(pd.dropna()方法)
09-19
主要介绍了pandas删除缺失数据(pd.dropna()方法)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
7.Pandas 数据清洗 _ 菜鸟.pdf
01-16
Pandas 提供了多种方法来处理空数据，例如使用 `dropna()` 方法删除包含空字段的行或列。该方法的语法格式如下：`DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)`。 其中，`axis` ...
Python 数据分析包：pandas 基础1
08-08
Python 数据分析包：pandas 基础您的评价: 收藏该经验 阅读目录重新索引删除指定轴上的项索引和切片算术运算和数据对齐函数应用和映射排
Python中进程和线程到底有什么区别？_python线程和进程的关系和区别
最新发布
m0_60707221的博客
04-26 274
书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。工欲善其事必先利其器。
[Pandas] 缺失值删除 df.dropna()
Hudas的博客
02-14 6667
[Pandas] 缺失值删除 df.dropna()方法
Pandas怎样按条件删除行？
蚂蚁学Python
09-20 4万+
来自： https://stackoverflow.com/questions/13851535/delete-rows-from-a-pandas-dataframe-based-on-a-conditional-expression-involving To directly answer this question’s original title “How to delete rows f...
pandas删除数据
07-27
在 Pandas 中，可以使用 `drop()` 方法来删除数据。`drop()` 方法可以删除指定的行或列。 删除行的示例： ```python import pandas as pd # 创建一个示例数据帧 df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}) # 删除指定的行 df.drop([0, 2], inplace=True) print(df) ``` 输出结果： ``` A B C 1 2 5 8 ``` 在上面的示例中，`drop([0, 2], inplace=True)` 表示删除索引为 0 和 2 的两行数据，并将结果直接应用到原始数据帧上。 删除列的示例： ```python import pandas as pd # 创建一个示例数据帧 df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}) # 删除指定的列 df.drop(['B'], axis=1, inplace=True) print(df) ``` 输出结果： ``` A C 0 1 7 1 2 8 2 3 9 ``` 在上面的示例中，`drop(['B'], axis=1, inplace=True)` 表示删除名为 'B' 的列，并将结果直接应用到原始数据帧上。 需要注意的是，`drop()` 方法返回一个新的数据帧，而不会修改原始数据帧，除非设置了 `inplace=True` 参数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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