• 前情提要
• 数据准备
• 实际操作
  • 导入模块
  • 指定文件
  • 读取文件并查看
  • 创建副本以供操作
  • 删除
    • • 利用pop
      • 利用drop
        • 删除列：
        • 删除行
      • 利用dropna()
• 致谢链接

前情提要

??在上一节的移动列的位置一节中，我们使用了一种常用的方法：首先利用一个中间变量，将要更动位置的列赋值给它，再使用pandas中的insert()将这个中间变量插入到合适的位置。

??我们用到了pop()，所谓pop，就是弹出的意思。将一个列弹出，那么原数据中当然也就没有这个列的内容了。因此pop()也可以说是删除。而且是原地删除。

??因此特意腾出一节来说明pandas中的删除操作。

数据准备

??因为是专门介绍删除操作，所以我们额外补充了一点数据。

??如果仔细观察，会发现多了一行一列：一行是一个班级位置为NaN的学生，一列是全部为A的等级列。

• 现在因为双减，很多地方不算排名，只给予等级，学校的老师为了安家长的心给的都是等级A，何老师可看不惯这种，现在他要做的就是将这一列等级列删除。

• 此外多出的一行，原来是明年要转走的学生，现在他也要将之删除掉。

实际操作

导入模块

import pandas as pd
import pathlib

指定文件

file_path = pathlib.Path("/content/drive/MyDrive/Notebooks_data/delete.xlsx")
file_path

out

PosixPath('/content/drive/MyDrive/Notebooks_data/delete.xlsx')

读取文件并查看

data_source = pd.read_excel(file_path)
data_source

out

	学号	姓名	班级	语文	数学	英语	音乐	美术	体育	等级
0	A01	饶秀颖	1班	35.0	45.0	55.0	95.0	95.0	95.0	A
1	A02	于俊远	1班	38.0	53.0	46.0	97.0	98.0	95.0	A
2	A03	王五	1班	54.0	46.0	38.0	97.0	99.0	97.0	A
3	A08	冉颇	3班	34.0	54.0	60.0	96.0	98.0	99.0	A
4	A09	夫余岚裳	3班	43.0	57.0	67.0	98.0	95.0	94.0	A
5	A10	薛菁	3班	55.0	60.0	65.0	96.0	93.0	96.0	A
6	A11	印采绿	NaN	12.0	10.0	7.0	90.0	90.0	90.0	A

创建副本以供操作

# .copy(deep=True)是深度拷贝。这样针对任意一个data的操作，都不会影响到其他的data
data1 = data_source.copy(deep=True)
data2 = data_source.copy(deep=True)
data3 = data_source.copy(deep=True)
data4 = data_source.copy(deep=True)

删除

利用pop

# 利用pop语法可以原地删除数据，操作以后原始数据的内容直接被更改
# 但是需要注意的是：pop只能处理列的删除问题
data1.pop("等级")
data1

out

	学号	姓名	班级	语文	数学	英语	音乐	美术	体育
0	A01	饶秀颖	1班	35.0	45.0	55.0	95.0	95.0	95.0
1	A02	于俊远	1班	38.0	53.0	46.0	97.0	98.0	95.0
2	A03	王五	1班	54.0	46.0	38.0	97.0	99.0	97.0
3	A08	冉颇	3班	34.0	54.0	60.0	96.0	98.0	99.0
4	A09	夫余岚裳	3班	43.0	57.0	67.0	98.0	95.0	94.0
5	A10	薛菁	3班	55.0	60.0	65.0	96.0	93.0	96.0
6	A11	印采绿	NaN	12.0	10.0	7.0	90.0	90.0	90.0

利用drop

drop()的删除操作多样，可以删除行也可以删除列。drop()是流行的对pandas DataFrame进行删除的操作。

但需要注意的是，drop如果没有指定inplace=True, 那么就不是原地进行删除操作

删除列：

# 法一：利用.drop(columns="列名")
# 倘若要一次性删除多个列，则可以使用列表：.drop(columns=["列1", "列2"])
data2.drop(columns="等级")

# 法二：利用.drop(labels="列名", axis=1)
# 同样的，倘若要一次性删除多个列，则可以使用列表：.drop(labels=["列1", "列2"], axis=1)
data2.drop(labels="等级", axis=1)

上述两种代码都可以得到相同的结果

	学号	姓名	班级	语文	数学	英语	音乐	美术	体育
0	A01	饶秀颖	1班	35.0	45.0	55.0	95.0	95.0	95.0
1	A02	于俊远	1班	38.0	53.0	46.0	97.0	98.0	95.0
2	A03	王五	1班	54.0	46.0	38.0	97.0	99.0	97.0
3	A08	冉颇	3班	34.0	54.0	60.0	96.0	98.0	99.0
4	A09	夫余岚裳	3班	43.0	57.0	67.0	98.0	95.0	94.0
5	A10	薛菁	3班	55.0	60.0	65.0	96.0	93.0	96.0
6	A11	印采绿	NaN	12.0	10.0	7.0	90.0	90.0	90.0

删除行

不同于删除列的时候有列名，一般不会自定义行标签。

因此删除行其实可以分成两类。

一个是按照顺序的索引来删除。但是这往往只适合少量已知位置的数据。

二是判定条件，如果符合条件就删除所在的一行。

判定条件我们常使用dropna()

# 法一：利用.drop(index=行号)
data3.drop(index=6)

# 法二：利用.drop(index=行标签, axis=0)
# 但是因为一般并不人为规定行标签，故而同index一样，这里也使用的行号
data3.drop(labels=6,axis=0)

out

	学号	姓名	班级	语文	数学	英语	音乐	美术	体育	等级
0	A01	饶秀颖	1班	35.0	45.0	55.0	95.0	95.0	95.0	A
1	A02	于俊远	1班	38.0	53.0	46.0	97.0	98.0	95.0	A
2	A03	王五	1班	54.0	46.0	38.0	97.0	99.0	97.0	A
3	A08	冉颇	3班	34.0	54.0	60.0	96.0	98.0	99.0	A
4	A09	夫余岚裳	3班	43.0	57.0	67.0	98.0	95.0	94.0	A
5	A10	薛菁	3班	55.0	60.0	65.0	96.0	93.0	96.0	A

利用dropna()

我们观察数据发现，我们要删除的那一行是有一个显眼的条件的：其班级位置出为空值，显示在pandas中就是NaN。
我们利用dropna()方法，指定删除行axis=0，指定只要有空值就删除how="any", 然后指定在哪些列中进行搜索subset=[]列表内可以是多个columns

data4.dropna(axis=0, how="any", subset=["班级"])

out

	学号	姓名	班级	语文	数学	英语	音乐	美术	体育	等级
0	A01	饶秀颖	1班	35.0	45.0	55.0	95.0	95.0	95.0	A
1	A02	于俊远	1班	38.0	53.0	46.0	97.0	98.0	95.0	A
2	A03	王五	1班	54.0	46.0	38.0	97.0	99.0	97.0	A
3	A08	冉颇	3班	34.0	54.0	60.0	96.0	98.0	99.0	A
4	A09	夫余岚裳	3班	43.0	57.0	67.0	98.0	95.0	94.0	A
5	A10	薛菁	3班	55.0	60.0	65.0	96.0	93.0	96.0	A

致谢链接

DataFrame的copy的用法_dataframe 复制

Python Pandas Dataframe.pop()用法及代码示例

*Pandas: Drop函数（Dataframe删除指定行列）

*pandas检查是否有空值以及处理空值