一、轴向上删除条目
通过drop方法，可以删除Series的一个元素，或者DataFrame的一行或一列。默认情况下，drop方法按行删除，且不会修改原数据，但指定axis=1则按列删除，指定inplace=True则修改原数据。
In [9]: s= pd.Series(np.arange(5),index=list('abcde')) In [10]: s Out[10]: a 0 b 1 c 2 d 3 e 4 dtype: int32 In [11]: new_s = s.drop('c') In [12]: new_s Out[12]: a 0 b 1 d 3 e 4 dtype: int32 In [13]: s Out[13]: a 0 b 1 c 2 d 3 e 4 dtype: int32 In [14]: df = pd.DataFrame(np.arange(16).reshape(4,4),columns=['one','two','three','four']) In [15]: df Out[15]: one two three four 0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15 In [16]: df.drop(2) Out[16]: one two three four 0 0 1 2 3
1 4 5 6 7
3 12 13 14 15 In [17]: df.drop('two',axis = 1) # 指定删除列，而不是默认的行
Out[17]: one three four 0 0 2 3
1 4 6 7
2 8 10 11
3 12 14 15 In [18]: df Out[18]: one two three four 0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15 In [21]: df.drop(2,inplace=True) #修改原数据
In [22]: df Out[22]: one two three four 0 0 1 2 3
1 4 5 6 7
3 12 13 14 15
二、索引和切片
Series的打印效果，让我们感觉它像个二维表格，实际上它还是一维的，其索引和numpy的一维数组比较类似，但还是有点区别的。
In [23]: se = pd.Series(np.linspace(1,4,5),index=list('abcde')) In [24]: se Out[24]: a 1.00 b 1.75 c 2.50 d 3.25 e 4.00 dtype: float64 In [28]: se['b'] # 利用我们专门指定的索引进行检索
Out[28]: 1.75 In [29]: se[2] # 实际上默认还有一个从0开始的索引供我们使用
Out[29]: 2.5 In [30]: se[2:4] Out[30]: c 2.50 d 3.25 dtype: float64 In [31]: se[['b','a','d']] # 根据索引顺序，值进行相应的排序，而不是我们认为的按原来的顺序
Out[31]: b 1.75 a 1.00 d 3.25 dtype: float64 In [32]: se[[1,3]] # 左闭右开 ，千万不要写成se[1,3]
Out[32]: b 1.75 d 3.25 dtype: float64 In [33]: se[se>2] Out[33]: c 2.50 d 3.25 e 4.00 dtype: float64 In [35]: se['b':'c'] # 什么！居然是左闭右也闭！
Out[35]: b 1.75 c 2.50 dtype: float64 In [36]: se['b':'c'] = 6 # 这样会修改原Series
In [37]: se Out[37]: a 1.00 b 6.00 c 6.00 d 3.25 e 4.00 dtype: float64
注意：如果你的Series是显式的整数索引，那么s[1]这样的取值操作会使用显式索引，而s[1:3]这样的切片操作却会使用隐式索引。
In [21]: s = pd.Series(['a','b','c'], index=[1,3,5]) In [22]: s Out[22]: 1 a 3 b 5 c dtype: object In [23]: s[1] Out[23]: 'a' In [24]: s[1:3] Out[24]: 3 b 5 c dtype: object
对于DataFrame这种二维表格，情况有点不太一样，请务必注意！
核心思维：在DataFrame中，优先按列操作！
In [38]: df = pd.DataFrame(np.arange(16).reshape(4,4), index=list('abcd'),columns=['one','two','three','four']) In [39]: df Out[39]: one two three four a 0 1 2 3 b 4 5 6 7 c 8 9 10 11 d 12 13 14 15 In [40]: df['two'] # 对于DataFrame默认是按列索引
Out[40]: a 1 b 5 c 9 d 13 Name: two, dtype: int32 In [41]: df['b'] # KeyError，不能直接按行索引
In [43]: df[['one','four']] Out[43]: one four a 0 3 b 4 7 c 8 11 d 12 15 In [44]: df[:2] # 什么！切片的时候居然是按行进行！
Out[44]: one two three four a 0 1 2 3 b 4 5 6 7 In [46]: df['c':'d'] # 注意闭合区间
Out[46]: one two three four c 8 9 10 11 d 12 13 14 15 In [47]: df ['one':'three'] # 试图用列索引来切片，但明显后台按行索引去找了，没找到。
Out[47]: Empty DataFrame Columns: [one, two, three, four] Index: [] In [48]: df < 5 Out[48]: one two three four a True True True True b True False False False c False False False False d False False False False In [49]: df[df<5] = 0 # 这一波操作和numpy很类似
In [50]: df Out[50]: one two three four a 0 0 0 0 b 0 5 6 7 c 8 9 10 11 d 12 13 14 15
是不是觉得好难理解记忆？还是numpy那种索引方式更符合人的思维习惯？没关系，Pandas考虑到了这一点，提供了类似numpy的行+列的索引标签，也就是loc和iloc。这两者差一个字母i。后者是以隐含的整数索引值来索引的，前者则使用你指定的显式的索引来定位值。
In [50]: df Out[50]: one two three four a 0 0 0 0 b 0 5 6 7 c 8 9 10 11 d 12 13 14 15 In [51]: df.loc['b', ['two','four']] # 使用显式索引值，用逗号分隔行和列参数
Out[51]: two 5 four 7 Name: b, dtype: int32 In [53]: df.loc['b':, 'two':'four'] # 切片方式，注意区间
Out[53]: two three four b 5 6 7 c 9 10 11 d 13 14 15 In [54]: df.iloc[2, [3, 0, 1]] # 用隐含的整数索引检索，但是这个打印格式好别扭
Out[54]: four 11 one 8 two 9 Name: c, dtype: int32 In [55]: df.iloc[2] Out[55]: one 8 two 9 three 10 four 11 Name: c, dtype: int32 In [56]: df.iloc[1:,2:3] # 注意区间
Out[56]: three b 6 c 10 d 14 In [57]: df.iloc[:,:3][df.three>5] # 先切片，再布尔判断
Out[57]: one two three b 0 5 6 c 8 9 10 d 12 13 14