在python中进行数据处理，经常会遇到有些元素内容是不需要的。需要进行删除或者替换。本篇就详细探讨一下各种数据类型(series,dataframe)下的删除方法

随机创建一个DataFrame数据

import pandas as pdimport numpy as npdata=pd.DataFrame(np.random.randint(10,size=(5,3)),columns=['a','b','c'])>>> a b c0 3 8 21 9 9 52 4 5 13 2 7 54 1 2 8

Series：

isin反函数删除不需要的列部分元素，适合大批量：

S数据类型直接使用isin会选出该列包含的指定内容，我们的需求是删除指定内容就需要用到isin的反函数。但是python目前没有类似isnotin这种函数，所以我们需要使用-号来实现isnotin的方法

!=比较运算符方式，适合少量或者用作与同时满足a条件与b条件的情况

isin:

Series的场景

print(data['c'][data['c'].isin([1])])>>>2 1Name: c, dtype: int64print(data['c'][-data['c'].isin([1])])>>>0 21 53 54 8Name: c, dtype: int64print(data['c'][-data['c'].isin([1,2])])>>>1 53 54 8Name: c, dtype: int64

DataFrame场景：

print(data[-data.isin([1,2])])#按Series逻辑操作df发现会出现NAN并没有删除掉>>> a b c0 3.0 8.0 NaN1 9.0 9.0 5.02 4.0 5.0 NaN3 NaN 7.0 5.04 NaN NaN 8.0print(data[-data.isin([1,2])].dropna())#我们只需要再加一个dropna删除空值就好了>>>a b c1 9.0 9.0 5.0

！=比较运算符：

Series的场景:

print(data['c'][data['c']!=1])>>>0 21 53 54 8Name: c, dtype: int64print(data['c'][(data['c']!=1)&((data['c']!=2))])>>>1 53 54 8Name: c, dtype: int64

DataFrame场景：

分别删除a与b不同条件的数据

print(data[(data['a']!=1)&(data['c']!=2)]>>> a b c1 9 9 52 4 5 13 2 7 5print(data[(data!=1)&(data!=2)].dropna()) #与isin原理相同 a b c1 9.0 9.0 5.0

以上这篇python删除指定列或多列单个或多个内容实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。