pandas数据清洗如何实现删除

这篇文章主要介绍“pandas数据清洗如何实现删除”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“pandas数据清洗如何实现删除”文章能帮助大家解决问题。

准备工作（导入库、导入数据）

import pandas as pdimport matplotlib.pyplot as pltimport numpy as npimport seaborn as  snssns.set_style("darkgrid")

list_csv = ['Amazon_top_selling_book.csv','breast_cancer_wisconsin.csv','diamonds.csv','insurance.csv','netflix_titles.csv','penguins.csv',           'titanic.csv','winequality-red.csv']dic_path = r'C:\Users\pandas\Desktop\task\228datasets\datasets'part_data = pd.read_csv(dic_path+'\\'+list_csv[4])part_data

8807 rows × 12 columns

检测数据情况

Hint:该函数用于检测任意DataFrame中缺失值情况

def missing_values_table(df):        mis_val = df.isnull().sum()        mis_val_percent = 100 * df.isnull().sum() / len(df)        mis_val_table = pd.concat([mis_val, mis_val_percent], axis=1)        mis_val_table_ren_columns = mis_val_table.rename(        columns = {0 : 'Missing Values', 1 : '% of Total Values'})        mis_val_table_ren_columns = mis_val_table_ren_columns[            mis_val_table_ren_columns.iloc[:,1] != 0].sort_values(        '% of Total Values', ascending=False).round(1)        print ("Your selected dataframe has " + str(df.shape[1]) + " columns.\n"                  "There are " + str(mis_val_table_ren_columns.shape[0]) +              " columns that have missing values.")        return mis_val_table_ren_columns

missing_values_table(part_data)

Your selected dataframe has 12 columns.
There are 6 columns that have missing values.

DataFrame.drop(labels=None,axis=0, index=None, columns=None, inplace=False)

参数说明：

• labels 就是要删除的行列的名字，用列表给定

• axis 默认为0，指删除行，因此删除columns时要指定axis=1；

• index 直接指定要删除的行

• columns 直接指定要删除的列

• inplace=False，默认该删除操作不改变原数据，而是返回一个执行删除操作后的新dataframe；

• inplace=True，则会直接在原数据上进行删除操作，删除后无法返回。

方式一：删除指定行或列

labels+axis

demo = part_data.drop(['director'], axis=1)missing_values_table(demo)

Your selected dataframe has 11 columns.
There are 5 columns that have missing values.

方式二：利用boolean删除满足条件元素所在的行

df = df.drop(df[].index)

# 删除release_year年份在2009年之前的行demo = part_data.drop(part_data[part_data["release_year"]<2009].index)demo.shape

(7624, 12)

关于“pandas数据清洗如何实现删除”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注编程网精选频道，小编每天都会为大家更新不同的知识点。