一、軸向上刪除條目
通過drop方法，可以刪除Series的一個元素，或者DataFrame的一行或一列。默認情況下，drop方法按行刪除，且不會修改原數據，但指定axis=1則按列刪除，指定inplace=True則修改原數據。
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) # 指定刪除列，而不是默認的行
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) #修改原數據
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，讓我們感覺它像個二維表格，實際上它還是一維的，其索引和numpy的一維數組比較類似，但還是有點區別的。
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'] # 利用我們專門指定的索引進行檢索
Out[28]: 1.75 In [29]: se[2] # 實際上默認還有一個從0開始的索引供我們使用
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']] # 根據索引順序，值進行相應的排序，而不是我們認為的按原來的順序
Out[31]: b 1.75 a 1.00 d 3.25 dtype: float64 In [32]: se[[1,3]] # 左閉右開 ，千萬不要寫成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！居然是左閉右也閉！
Out[35]: b 1.75 c 2.50 dtype: float64 In [36]: se['b':'c'] = 6 # 這樣會修改原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是顯式的整數索引，那么s[1]這樣的取值操作會使用顯式索引，而s[1:3]這樣的切片操作卻會使用隱式索引。
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
對於DataFrame這種二維表格，情況有點不太一樣，請務必注意！
核心思維：在DataFrame中，優先按列操作！
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'] # 對於DataFrame默認是按列索引
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！切片的時候居然是按行進行！
Out[44]: one two three four a 0 1 2 3 b 4 5 6 7 In [46]: df['c':'d'] # 注意閉合區間
Out[46]: one two three four c 8 9 10 11 d 12 13 14 15 In [47]: df ['one':'three'] # 試圖用列索引來切片，但明顯后台按行索引去找了，沒找到。
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 # 這一波操作和numpy很類似
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
是不是覺得好難理解記憶？還是numpy那種索引方式更符合人的思維習慣？沒關系，Pandas考慮到了這一點，提供了類似numpy的行+列的索引標簽，也就是loc和iloc。這兩者差一個字母i。后者是以隱含的整數索引值來索引的，前者則使用你指定的顯式的索引來定位值。
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']] # 使用顯式索引值，用逗號分隔行和列參數
Out[51]: two 5 four 7 Name: b, dtype: int32 In [53]: df.loc['b':, 'two':'four'] # 切片方式，注意區間
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]] # 用隱含的整數索引檢索，但是這個打印格式好別扭
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] # 注意區間
Out[56]: three b 6 c 10 d 14 In [57]: df.iloc[:,:3][df.three>5] # 先切片，再布爾判斷
Out[57]: one two three b 0 5 6 c 8 9 10 d 12 13 14