当前位置：极客教程 > Pandas > Pandas 问答 > Pandas drop删除DataFrame或Series中的指定行或列

Pandas drop删除DataFrame或Series中的指定行或列

Pandas drop删除DataFrame或Series中的指定行或列

参考：pandas drop

pandas的drop函数是一个非常有用的函数，它可以帮助我们删除DataFrame或Series中的指定行或列。在数据分析过程中，我们经常需要删除一些不需要的行或列，这时候就可以使用pandas的drop函数。

1. 基本用法

pandas的drop函数的基本语法如下：

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

参数说明：

  • labels：要删除的行或列的标签。
  • axis：删除行还是列。0或’index’表示删除行，1或’columns’表示删除列。
  • index：要删除的行标签。
  • columns：要删除的列标签。
  • level：用于多级索引。
  • inplace：是否在原地修改数据。如果为True，则在原DataFrame上进行修改，如果为False，则返回一个新的DataFrame。
  • errors：如果指定的标签不存在，如何处理。’raise’表示抛出错误，’ignore’表示忽略。

下面我们通过一些示例来详细介绍pandas的drop函数的用法。

示例1：删除行

首先，我们创建一个DataFrame。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

print(df)

Output:

Pandas drop删除DataFrame或Series中的指定行或列

然后，我们可以使用drop函数删除指定的行。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

df.drop([1, 3])
print(df)

Output:

Pandas drop删除DataFrame或Series中的指定行或列

示例2：删除列

我们也可以使用drop函数删除指定的列。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

df.drop('age', axis=1)
print(df)

Output:

Pandas drop删除DataFrame或Series中的指定行或列

示例3：使用inplace参数

如果我们想在原地修改数据，可以使用inplace参数。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

df.drop('age', axis=1, inplace=True)
print(df)

Output:

Pandas drop删除DataFrame或Series中的指定行或列

示例4：使用errors参数

如果我们尝试删除不存在的标签，会抛出错误。如果我们不想抛出错误，可以使用errors参数。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

df.drop('salary', axis=1, errors='ignore')
print(df)

Output:

Pandas drop删除DataFrame或Series中的指定行或列

2. 多级索引

如果我们的DataFrame有多级索引，我们可以使用level参数来指定在哪一级删除标签。

首先，我们创建一个有多级索引的DataFrame。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)
print(df)

Output:

Pandas drop删除DataFrame或Series中的指定行或列

然后，我们可以使用drop函数删除指定级别的标签。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

df.drop(1, level=0)
print(df)

Output:

Pandas drop删除DataFrame或Series中的指定行或列

示例5：删除多级索引的行

我们也可以删除多级索引的行。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

df.drop((1, 1))
print(df)

Output:

Pandas drop删除DataFrame或Series中的指定行或列

示例6：删除多级索引的列

如果我们的DataFrame有多级索引的列，我们也可以使用drop函数删除指定的列。

首先，我们创建一个有多级索引的列的DataFrame。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

columns = pd.MultiIndex.from_tuples([(i, j) for i in ['A', 'B', 'C'] for j in ['a', 'b', 'c']])
df = pd.DataFrame(np.random.rand(5, 9), columns=columns)
print(df)

然后，我们可以使用drop函数删除指定的列。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

columns = pd.MultiIndex.from_tuples([(i, j) for i in ['A', 'B', 'C'] for j in ['a', 'b', 'c']])
df = pd.DataFrame(np.random.rand(5, 9), columns=columns)

df.drop(('A', 'a'), axis=1)
print(df)

3. 删除缺失值

pandas的drop函数还可以用来删除含有缺失值的行或列。

首先，我们创建一个含有缺失值的DataFrame。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

columns = pd.MultiIndex.from_tuples([(i, j) for i in ['A', 'B', 'C'] for j in ['a', 'b', 'c']])
df = pd.DataFrame(np.random.rand(5, 9), columns=columns)

df = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5],
    'B': [np.nan, 2, 3, 4, 5],
    'C': [1, 2, 3, np.nan, 5],
    'D': [1, 2, 3, 4, np.nan]
})

print(df)

然后，我们可以使用drop函数删除含有缺失值的行。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

columns = pd.MultiIndex.from_tuples([(i, j) for i in ['A', 'B', 'C'] for j in ['a', 'b', 'c']])
df = pd.DataFrame(np.random.rand(5, 9), columns=columns)

df = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5],
    'B': [np.nan, 2, 3, 4, 5],
    'C': [1, 2, 3, np.nan, 5],
    'D': [1, 2, 3, 4, np.nan]
})

df.dropna()
print(df)

我们也可以删除含有缺失值的列。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

columns = pd.MultiIndex.from_tuples([(i, j) for i in ['A', 'B', 'C'] for j in ['a', 'b', 'c']])
df = pd.DataFrame(np.random.rand(5, 9), columns=columns)

df = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5],
    'B': [np.nan, 2, 3, 4, 5],
    'C': [1, 2, 3, np.nan, 5],
    'D': [1, 2, 3, 4, np.nan]
})

df.dropna(axis=1)
print(df)

示例7：删除含有缺失值的行

我们可以使用drop函数删除含有缺失值的行。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

columns = pd.MultiIndex.from_tuples([(i, j) for i in ['A', 'B', 'C'] for j in ['a', 'b', 'c']])
df = pd.DataFrame(np.random.rand(5, 9), columns=columns)

df = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5],
    'B': [np.nan, 2, 3, 4, 5],
    'C': [1, 2, 3, np.nan, 5],
    'D': [1, 2, 3, 4, np.nan]
})

df.dropna()
print(df)

示例8：删除含有缺失值的列

我们也可以使用drop函数删除含有缺失值的列。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

columns = pd.MultiIndex.from_tuples([(i, j) for i in ['A', 'B', 'C'] for j in ['a', 'b', 'c']])
df = pd.DataFrame(np.random.rand(5, 9), columns=columns)

df = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5],
    'B': [np.nan, 2, 3, 4, 5],
    'C': [1, 2, 3, np.nan, 5],
    'D': [1, 2, 3, 4, np.nan]
})

df.dropna(axis=1)
print(df)

示例9：使用how参数

dropna函数还有一个how参数，可以指定如何删除缺失值。’any’表示只要有缺失值就删除，’all’表示所有值都是缺失值才删除。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

columns = pd.MultiIndex.from_tuples([(i, j) for i in ['A', 'B', 'C'] for j in ['a', 'b', 'c']])
df = pd.DataFrame(np.random.rand(5, 9), columns=columns)

df = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5],
    'B': [np.nan, 2, 3, 4, 5],
    'C': [1, 2, 3, np.nan, 5],
    'D': [1, 2, 3, 4, np.nan]
})

df.dropna(how='all')
print(df)

示例10：使用thresh参数

dropna函数还有一个thresh参数，可以指定至少有多少个非缺失值才保留。

import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'age': [25, 32, 18, 21, 35],
    'city': ['New York', 'Los Angeles', 'San Francisco', 'Seattle', 'Austin']
}
df = pd.DataFrame(data)

index = pd.MultiIndex.from_tuples([(i, j) for i in range(5) for j in range(5)])
df = pd.DataFrame({'A': range(25)}, index=index)

columns = pd.MultiIndex.from_tuples([(i, j) for i in ['A', 'B', 'C'] for j in ['a', 'b', 'c']])
df = pd.DataFrame(np.random.rand(5, 9), columns=columns)

df = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5],
    'B': [np.nan, 2, 3, 4, 5],
    'C': [1, 2, 3, np.nan, 5],
    'D': [1, 2, 3, 4, np.nan]
})

df.dropna(thresh=3)
print(df)

4. 总结

pandas的drop函数是一个非常有用的函数，它可以帮助我们删除DataFrame或Series中的指定行或列。在数据分析过程中，我们经常需要删除一些不需要的行或列，这时候就可以使用pandas的drop函数。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Pandas 精品教程