DataFrame删除行和列

最新推荐文章于 2025-05-23 10:05:52 发布
最新推荐文章于 2025-05-23 10:05:52 发布
阅读量9.9w 收藏 52
点赞数 9
分类专栏： python 文章标签： python pandas DataFrame
本文介绍如何使用Python的Pandas库进行DataFrame数据结构中的行和列删除操作，包括使用.drop()方法、del关键字及.pop()方法，并对比不同方法的特点。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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：

datespringsummerautumnwinter
200012.233880916.9073011315.6923831314.08596223
200112.8474805716.7504687314.5140663713.5037456
200213.55817517.203392615.699947513.23365247
200312.654724716.8949153315.661464712.84347867
200413.253729817.0469665715.2090537714.3647912
200513.444304916.745982216.6221879711.61082257
200613.5056956716.8335785715.497928212.19934363
200713.4885262316.6677328315.8170143713.7438216
200813.151531916.4865069315.7295728712.93233587
200913.4577154316.6392378318.2601799712.65315943
201013.194548516.728688915.4263526713.8833583
201114.3477941716.6894210314.1765804312.36654197
201213.605086717.1305677314.7179677713.29255243
201313.0279078717.3861934316.2034549713.18612133
201412.7466816316.5442868714.736768212.87065125
201513.46590416.5061231712.4424366311.0181384
seasonspringsummerautumnwinter
slope0.0379691374-0.01164689167-0.07913844113-0.07765274553

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

想要删除最后两行
.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

    转自：<a>http://www.jianshu.com/p/67e67c7034f6</a>
使用 Python Pandas 删除 DataFrame 中指定位置的多行数据
持续更新
04-23 1567
函数将返回一个新的 DataFrame，该 DataFrame 中已经删除了指定的行。在进行数据分析和处理时，我们经常需要删除不必要的数据。通过这种方法，我们可以方便地删除 DataFrame 中的多个指定行。接下来，假设我们要删除索引为 1 和 2 的两行数据，我们可以使用。函数还支持按条件删除行或列，或者通过标签删除行或列等操作。在这里，我们传递了一个包含要删除的行索引的列表作为参数。函数删除 DataFrame 中的指定行。下面我们将介绍如何在 Pandas 中使用。函数删除指定位置的多行数据。
13. 删除dataframe的列
木头大左的博客
08-22 1742
哈喽，大家好，我是木头左！在数据处理和分析中，经常需要对数据进行清洗和转换。其中一个常见的操作是删除不需要的列。本文将介绍如何在Python中使用pandas库来删除DataFrame中的列。
DataFrame删除
z920054418的博客
03-14 157
即：df.drop(labels,axis=0,index,columns,levles,inplace)形式。labels：用于接受string（即字符串）或array（即数组）。该参数代表删除的行或标签。该参数代表操作是否对原数据生效。df.dorp('E',axis=1)将在df数据框中删除E列标签中的所有元素。该参数代表标签所在的级别，默认为None。该参数代表操作的轴向，0为行，1为列，默认为0。columns：该参数在进行多列操作时进行索引。index：该参数在进行多行操作时进行索引。
Python匿名函数(lambda)全面详解
x15514104477的博客
05-23 3979
本文将用通俗易懂的方式，结合代码示例和图表，全面讲解Python匿名函数的各种知识点。请大家多评论交流技术
python Dataframe 根据某一列的值来删除多行
GhostintheCode的博客
03-24 3231
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中删除整行
weixin_42596246的博客
01-16 4178
可以使用Pandas中的drop()函数来删除整行。 示例: df = df.drop(index=2) # 删除第2行 df = df.drop(index=[1,3]) # 删除第1行和第3行 也可以使用标签或布尔索引来删除整行: df = df[df.column_name != 'value'] df = df[~df.column_name.isin(['value1','value2...
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。...
基于DataFrame的行与列删除操作示例解析
07-18
在数据分析工作中，我们常常需要根据需求删除 DataFrame 中的行和列，以下是具体的操作方法。 删除行主要有以下几种方式： 使用 drop 函数：这是最常用的方法之一，可通过指定索引或标签来删除行。例如，df = df....
pandas.DataFrame删除/选取含有特定数值的行或列实例
09-19
在Python数据分析领域，`pandas`库是不可或缺的工具，...无论是删除还是选取特定数值的行或列，或者处理空值，都有明确的步骤和方法。在实际数据分析工作中，熟练掌握这些技巧能极大地提高效率，确保数据清洗的准确性。
在pandas中一次性删除dataframe的多个列方法
12-24
之前沉迷于使用index删除，然而发现pandas貌似有bug？ import pandas as pd import numpy as np df = pd.DataFrame(np.arange(12).reshape(3,4), columns=['A', 'B', 'C', 'D']) x=[1,2] df.drop(index=[1,2], axis=1, inplace=True) #axis=1，试图指定列，然并卵 print df 输出为 A B C D 0 0 1 2 3 还是按照行进行了删除 后来请教大神得知，可以用： df.drop(df
从DataFrame中删除列
CS创新实验室
03-16 4万+
在操作数据的时候，DataFrame对象中删除一个或多个列是常见的操作，并且实现方法较多，然而这中间有很多细节值得关注。 首先，一般被认为是“正确”的方法，是使用DataFrame的drop方法，之所以这种方法被认为是标准的方法，可能是收到了SQL语句中使用drop实现删除操作的影响。 import pandas as pd import numpy as np df = pd.DataFrame(np.arange(25).reshape((5,5)), columns=list("abcde"))
巧用DataFrame布尔索引的方法删除特定行或列
sigtem的博客
08-16 1万+
用布尔索引的方法删除DataFrame中的行或列 对于pandas DataFrame对象通常用“对象名.drop()”方法删去行或列，但drop操作必须先知道想要删除的列名和索引。 本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦： Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和...
python之dataframe多条件删除
u013004700的专栏
09-02 5961
删除条件：DataBase=test 并且 table < '4' import pandas as pd df = {'course':['mysql','test','test','test','test'],'table':['user','1','2','4','6']} df = pd.DataFrame(df) df.drop(index=(df.loc[(df['course...
dataFrame删除数据
yujiajun1024的博客
03-14 2190
inplace: 默认为False，该删除操作不改变原数据；inplace = True时，改变原数据。columns：直接指定要删除的列，删除多列可以使用列表作为参数。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。labels：要删除的行或列，用列表给出。
dataframe删除数据的方法
m0_60836361的博客
03-14 3869
dataframe删除数据的方法。
pandas DataFrame行或列的删除方法
dinghetie3251的博客
10-10 454
pandas DataFrame的增删查改总结系列文章： pandas DaFrame的创建方法 pandas DataFrame的查询方法 pandas DataFrame行或列的删除方法 pandas DataFrame的修改方法 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...
DataFrame增加和删除行
SLANG006的博客
08-07 2557
先说结论: dataframe增加行可以用df.append合并两个dataframe实现 dataframe删除行可以用df.drop实现 一、DataFrame增加行 1. 已知dataframe增加行的index时，可以用df_replace = df.loc[0]=['Orange',2] 但如果该行已有数据，新数据会替换原有数据。 2. 使用pd.concat合并两个dataframe比较方便在原有dataframe基础上，在第一行前或最后一行后新增数据，通过调换合并顺序即可决定加.
dataframe删除空的行和列
最新发布
07-24
<think>首先，用户的问题是：“我想删除DataFrame中的空行和空列 请问pandas DataFrame 删除空行和空列”。这是一个关于pandas DataFrame操作的问题，具体是删除空行和空列。 根据系统级指令： - 所有行内数学表达式必须使用$...$格式。 - 独立公式必须使用$$...$$格式并单独成段。 - LaTeX语法正确。 - 使用中文回答。 - 生成相关问题。 - 在回答中引用的段落末尾自然地添加引用标识，例如[^1]。 - 回答结构清晰，帮助用户逐步解决问题，保证真实可靠。 用户提供了几个引用： - [^1]: 关于pandas DataFrame的删除方法。 - [^2]: 删除全部为空列的例子。 - [^3]: 使用索引标签删除行。 - [^4]: 删除某列空值所在的行。 这些引用是关于pandas DataFrame删除操作的，所以我应该参考它们来构建答案。 关键点： - 删除空行：删除所有元素都为NaN的行。 - 删除空列：删除所有元素都为NaN的列。 在pandas中，常用函数是`dropna()`。 步骤： 1. 删除空行：使用`df.dropna(how='all', axis=0)`。axis=0表示行。 2. 删除空列：使用`df.dropna(how='all', axis=1)`。axis=1表示列。 用户引用[^2]和[^4]中提到了`dropna`方法。 回答结构： - 先解释问题。 - 逐步说明如何删除空行和空列。 - 提供代码示例。 - 确保代码正确，并使用中文注释。 - 最后生成相关问题。 代码示例： - 导入pandas。 - 创建一个示例DataFrame。 - 演示删除空行。 - 演示删除空列。 引用标识： - 在相关解释后添加引用，如提到删除空行时引用[^4]，提到删除空列时引用[^2]。 生成相关问题： - 在回答结束后，添加"§§相关问题§§"部分，列出2-3个相关问题。 完整回答： - 开头：直接回应用户问题。 - 主体：分步解释。 - 结尾：相关问题。 用户可见层指令：回答结构清晰，逐步解决问题。</think>### pandas DataFrame删除空行和空列的方法 在pandas中，删除DataFrame中的空行（所有元素为NaN的行）和空列（所有元素为NaN的列）主要使用`dropna()`函数。该方法可以灵活控制删除条件，确保数据清洗高效可靠。下面我将逐步解释操作步骤，并提供完整代码示例。 #### 1. **删除空行（所有元素为NaN的行）** - 使用`dropna(axis=0, how='all')`： - `axis=0`表示操作方向为行。 - `how='all'`表示仅当整行所有元素都为NaN时才删除。 - 示例代码： ```python import pandas as pd import numpy as np # 创建示例DataFrame（包含空行） data = { 'A': [1, np.nan, 3, np.nan], 'B': [np.nan, np.nan, np.nan, np.nan], 'C': [4, 5, np.nan, 6] } df = pd.DataFrame(data) print("原始DataFrame:\n", df) # 删除空行 df_cleaned_rows = df.dropna(axis=0, how='all') print("\n删除空行后的DataFrame:\n", df_cleaned_rows) ``` - 输出说明：第二行（索引1）和第四行（索引3）被删除，因为整行元素均为NaN[^4]。 #### 2. **删除空列（所有元素为NaN的列）** - 使用`dropna(axis=1, how='all')`： - `axis=1`表示操作方向为列。 - `how='all'`确保仅删除整列全为NaN的列。 - 示例代码（续上例）： ```python # 删除空列 df_cleaned_cols = df_cleaned_rows.dropna(axis=1, how='all') print("\n删除空列后的DataFrame:\n", df_cleaned_cols) ``` - 输出说明：列'B'被删除，因为该列所有元素均为NaN[^2]。 #### 3. **完整代码示例** ```python import pandas as pd import numpy as np # 创建DataFrame示例 data = { 'Name': ['Alice', 'Bob', None, 'David'], 'Age': [25, np.nan, np.nan, np.nan], 'Score': [90, 85, np.nan, 78] } df = pd.DataFrame(data) print("原始DataFrame:") print(df) # 步骤1: 删除空行 df_no_empty_rows = df.dropna(axis=0, how='all') print("\n删除空行后:") print(df_no_empty_rows) # 步骤2: 删除空列 df_no_empty_cols = df_no_empty_rows.dropna(axis=1, how='all') print("\n删除空列后:") print(df_no_empty_cols) ``` - **输出解释**： - 原始DataFrame可能包含空行（如索引2的行）和空列（如'Age'列）。 - 删除空行后：索引2的行被移除。 - 删除空列后：'Age'列被移除（如果整列为NaN）。 - **关键参数**： - `how='any'`：如果行/列中有任意NaN即删除（谨慎使用，可能误删有效数据）。 - `subset`参数：指定特定列检查空值，例如`df.dropna(subset=['Score'])`只删除'Score'列为NaN的行[^4]。 #### 4. **注意事项** - **原地修改**：添加`inplace=True`参数可直接修改原DataFrame，避免创建副本，例如`df.dropna(axis=1, how='all', inplace=True)`[^3]。 - **性能优化**：处理大型DataFrame时，先删除空列再删除空行通常更高效，因为列操作减少数据维度。 - **空值判断**：NaN是pandas默认空值，但实际数据可能包含`None`或空字符串，需先用`df.replace('', np.nan)`统一处理[^1]。 通过以上步骤，您可以高效清理DataFrame中的无效数据。如果需要处理部分空值（如删除特定列的空值行），可结合`subset`参数定制条件[^4]。
评论 4
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