目录

• 前言
• 1.data.dropna()
• 1-1 axis确定删除存在缺失值的行或者是列
• 1-2 how 确定存在缺失值时，是否删除行或者列
• 1-3 thresh=n表示保留至少含有n个非na数值的行
• 1-4 subset确定要在哪些列中查找缺失值
• 1-5 inplace确定是否直接在原DataFrame修改
• 2.data.drop
• 2-1 labels 指定行或者列的名称
• 2-2 index 指定要删除的行
• 2-3 columns 指定要删除的列
• 3.实例
• 3-1 统计0的数量
• 3-2 找出0的索引
• 3-3 使用drop函数以及index参数删除所在的行
• 3-4 查看数据
• 3-5 将索引重新排序
• 3-6 统计“ZH_Term_len”列中值的数量
• 总结

前言

使用pandas对数据操作，筛选数据时，根据任务要求有时不仅要某列中存在空值的行，并且要删除某列中指定值所在行。

1.data.dropna()

默认参数：
data.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

1-1 axis确定删除存在缺失值的行或者是列

#删除含有缺失值的行
axis=0或axis='index'
#删除含有缺失值的列
axis=1或axis='columns'

1-2 how 确定存在缺失值时，是否删除行或者列

how='all'或how=‘any'。
 
how='all'时表示删除全是缺失值的行（列）
 
how='any'时表示删除只要含有缺失值的行（列）

1-3 thresh=n表示保留至少含有n个非na数值的行

data.dropna(thresh=2)

1-4 subset确定要在哪些列中查找缺失值

#在source和target两列中查找缺失值
data.drop(subset = ["source","target"])

1-5 inplace确定是否直接在原DataFrame修改

#删除缺失值后不在原data上修改
inplace = False
#删除缺失值后在原data上修改
inplace = True

2.data.drop

默认参数：
data.drop(
    labels=None,
    axis=0,
    index=None,
    columns=None,
    level=None,
    inplace=False,
    errors='raise',
)

2-1 labels 指定行或者列的名称

#参数axis为0表示在0轴（列）上搜索名为“姓名”的对象，然后删除对象“姓名”对应的行。
data.drop("姓名",axis = 0)
 
#参数axis为0表示在1轴（行）上搜索名为“姓名”的对象，然后删除对象“姓名”对应的列。
data.drop("姓名"，axis = 1)

2-2 index 指定要删除的行

#删除data中索引为0和1的行
data.drop(index = [0,1])

2-3 columns 指定要删除的列

#删除data中列名为“source”和“target”的列
data.drop(columns=['source', 'target'])

3.实例

任务需求：删掉“ZH_Term_len”列中值为0的全部行。

3-1 统计0的数量

#统计“ZH_Term_len”一列中有多少个0
data["ZH_Term_len"].value_counts()

3-2 找出0的索引

data[(data.ZH_Term_len == 0)].index.tolist() 

3-3 使用drop函数以及index参数删除所在的行

data =  data.drop(index = data[(data.ZH_Term_len == 0)].index.tolist())

3-4 查看数据

data.info()

3-5 将索引重新排序

#会将标签重新从零开始顺序排序,使用参数设置drop=True删除旧的索引序列
data = data.reset_index(drop=True)

3-6 统计“ZH_Term_len”列中值的数量

 统计后发现，“ZH_Term_len”列中值为0的行已经全部被删除掉。

总结