Pandas中DataFrame数据删除详情

本文介绍Pandas中DataFrame数据删除，主要使用drop、del方式。

# drop函数的参数解释
drop(
        self,
        labels=None, # 就是要删除的行列的标签，用列表给定;
        axis=0, # axis是指处哪一个轴，0为行（默认），1为列;
        index=None, # index是指某一行或者多行
        columns=None, # columns是指某一列或者多列
        level=None, # level是指等级，针对多重索引的情况;
        inplace=False, # inplaces是否替换原来的dataframe;
        errors="raise",
)
axis=0或者 和 index或columns 指定行列只需要使用一组就行

1.根据默认的行列索引操作

示例数据

import numpy as np
import pandas as pd
# 生成随机数组-5行5列
df = pd.DataFrame(np.random.rand(5,5))
print(df)

数据展示

          0         1         2         3         4
0  0.760489  0.074633  0.788416  0.087612  0.560539
1  0.758450  0.599777  0.384075  0.525483  0.628910
2  0.386808  0.148106  0.742207  0.452627  0.775963
3  0.662909  0.134640  0.186186  0.735429  0.459556
4  0.328694  0.269088  0.331404  0.835388  0.899107

1.1行删除

[1]删除单行

# 删除单行，删除第2行
df.drop(df.index[1],inplace=True) # inplace=True 原地修改
print(df)

执行结果:

          0         1         2         3         4
0  0.605764  0.234973  0.566346  0.598105  0.478153
2  0.383230  0.822174  0.228855  0.743258  0.076701
3  0.875287  0.576668  0.176982  0.341827  0.112582
4  0.205425  0.898544  0.799174  0.000905  0.377990

[2]删除不连续多行

# 删除不连续多行,删除第2和第4行
df.drop(df.index[[1,3]],inplace=True)
print(df)

执行结果:

          0         1         2         3         4
0  0.978612  0.556539  0.781362  0.547527  0.706686
2  0.845822  0.321716  0.444176  0.053915  0.296631
4  0.617735  0.040859  0.129235  0.525116  0.005357

[3]删除连续多行

# 删除连续多行
df.drop(df.index[1:3],inplace=True) # 开区间，最后一个索引号不计算在内
print(df)

执行结果:

          0         1         2         3         4
0  0.072891  0.926297  0.882265  0.971368  0.567840
3  0.163212  0.546069  0.360990  0.494274  0.065744
4  0.752917  0.242112  0.526675  0.918713  0.320725

1.2列删除

列的删除可以使用del和drop两种方式，del df[1] # 删除第2列，该种方式为原地删除，本文具体讲解drop函数删除。

[1]删除指定列

df.drop([1,3],axis=1,inplace=True) # 指定轴为列
# df.drop(columns=[1,3],inplace=True) # 直接指定列

执行结果:

          0         2         4
0  0.592869  0.123369  0.815126
1  0.127064  0.093994  0.332790
2  0.411560  0.118753  0.143854
3  0.965317  0.267740  0.349927
4  0.688604  0.699658  0.932645

[2]删除连续列

df.drop(df.columns[1:3],axis=1,inplace=True) #指定轴
# df.drop(columns=df.columns[1:3],inplace = True) # 指定列
print(df)

执行结果:

          0         3         4
0  0.309674  0.974694  0.660285
1  0.677328  0.969440  0.953452
2  0.954114  0.953569  0.959771
3  0.365643  0.417065  0.951372
4  0.733081  0.880914  0.804032

2.根据自定义的行列索引操作

示例数据

df = pd.DataFrame(data=np.random.rand(5,5))
df.index = list('abcde')
df.columns = list('一二三四五')
print(df)

数据展示

          一         二         三         四         五
a  0.188495  0.574422  0.530326  0.842489  0.474946
b  0.912522  0.982093  0.964031  0.498638  0.826693
c  0.580789  0.013957  0.515229  0.795052  0.859267
d  0.540641  0.865602  0.305256  0.552566  0.754791
e  0.375407  0.236118  0.129210  0.711744  0.067356

2.1行删除

[1]删除单行

df.drop(['b'],inplace=True)
print(df)

执行结果:

          一         二         三         四         五
a  0.306350  0.622067  0.030573  0.490563  0.009987
c  0.672423  0.071661  0.274529  0.400086  0.263024
d  0.654204  0.809087  0.066099  0.167290  0.534452
e  0.628917  0.232629  0.070167  0.469962  0.957898

[2]删除多行

df.drop(['b','d'],inplace=True)
print(df)

执行结果:

          一         二         三         四         五
a  0.391583  0.509862  0.924634  0.466563  0.058414
c  0.802016  0.621347  0.659215  0.575728  0.935811
e  0.223372  0.286116  0.130587  0.113544  0.910859 

2.2列删除

[1]删除单列

df.drop(['二'],axis=1,inplace=True)# 删除单列
print(df)

执行结果：

          一         三         四         五
a  0.276147  0.797404  0.184472  0.081162
b  0.630190  0.328055  0.428668  0.168491
c  0.979958  0.029032  0.934626  0.106805
d  0.762995  0.003134  0.136252  0.317423
e  0.137211  0.116607  0.367742  0.840080

[2]删除多列

df.drop(['二','四'],axis=1,inplace=True) # 删除多列
# df.drop(columns=['二','四'],inplace=True) # 删除多列
print(df)

执行结果:

          一         三         五
a  0.665647  0.709243  0.019711
b  0.920729  0.995913  0.490998
c  0.352816  0.185802  0.406174
d  0.136414  0.563546  0.762806
e  0.259710  0.775422  0.794880