Pandas.DataFrame删除行和列

el/2024/4/19 23:06:19

本文通过一个csv实例文件来展示如何删除Pandas.DataFrame的行和列
数据文件名为:example.csv
内容为:

|date|spring|summer|autumn|winter|
|----|
|2000|12.2338809|16.90730113|15.69238313|14.08596223|
|2001|12.84748057|16.75046873|14.51406637| 13.5037456
|2002|13.558175|17.2033926|15.6999475 |13.23365247
|2003|12.6547247|16.89491533|15.6614647 |12.84347867
|2004|13.2537298|17.04696657|15.20905377| 14.3647912
|2005|13.4443049|16.7459822|16.62218797 |11.61082257
|2006|13.50569567|16.83357857| 15.4979282 |12.19934363
|2007|13.48852623|16.66773283| 15.81701437 |13.7438216
|2008|13.1515319|16.48650693 |15.72957287 |12.93233587
|2009|13.45771543|16.63923783 |18.26017997| 12.65315943
|2010|13.1945485|16.7286889|15.42635267 |13.8833583|
|2011|14.34779417|16.68942103 |14.17658043 |12.36654197
|2012|13.6050867|17.13056773 |14.71796777 |13.29255243
|2013|13.02790787|17.38619343 |16.20345497 |13.18612133
|2014|12.74668163|16.54428687|14.7367682|12.87065125|
|2015|13.465904|16.50612317 |12.44243663| 11.0181384
|season|spring|summer |autumn| winter|
|slope|0.0379691374|-0.01164689167 |-0.07913844113| -0.07765274553

删除行

In [1]:
import numpy as np
import pandas as pdodata = pd.read_csv('example.csv')
odataOut[1]:
date    spring  summer  autumn  winter
0   2000    12.2338809  16.9073011333   15.6923831333   14.0859622333
1   2001    12.8474805667   16.7504687333   14.5140663667   13.5037456
2   2002    13.558175   17.2033926  15.6999475  13.2336524667
3   2003    12.6547247  16.8949153333   15.6614647  12.8434786667
4   2004    13.2537298  17.0469665667   15.2090537667   14.3647912
5   2005    13.4443049  16.7459822  16.6221879667   11.6108225667
6   2006    13.5056956667   16.8335785667   15.4979282  12.1993436333
7   2007    13.4885262333   16.6677328333   15.8170143667   13.7438216
8   2008    13.1515319  16.4865069333   15.7295728667   12.9323358667
9   2009    13.4577154333   16.6392378333   18.2601799667   12.6531594333
10  

http://www.ngui.cc/el/5179166.html

相关文章

GDBT详解

GBDT(Gradient Boosting Decision Tree) 又叫 MART(Multiple Additive Regression Tree),是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力&#xff0…

在anaconda中安装tensorflow

本文主要介绍如何在Windows下安装TensorFlow。当然建议还是在linux下安装,在windows下开发不太方便。 相关背景 网上现有的方法都是教如何在windows下安装虚拟机或者安装docker来完成TensorFlow的安装。 得益于google目前已经支持直接在windows直接安装&#xff…

归一化,标准化,正则化的概念和区别

归一化(Normalization) 1.把数据变为(0,1)之间的小数。主要是为了方便数据处理,因为将数据映射到0~1范围之内,可以使处理过程更加便捷、快速。 2.把有量纲表达式变换为无量纲表达式&…

dropout的用法

dropout的作用是增加网络的泛化能力,可以用在卷积层和全连接层。但是在卷积层一般不用dropout, dropout是用来防止过拟合的过多参数才会容易过拟合, 所以卷积层没必要, 但是是可以用的,要小心翼翼

LRN局部相应归一化

本笔记记录学习 LRN(Local Response Normalization),若有错误,欢迎批评指正,学习交流。 1.侧抑制(lateral inhibition) 2.计算公式 Hinton在2012年的Alexnet网络中给出其具体的计算公式如下: …

简要介绍一下目标检测的网络,r-cnn, spp-net, fast-rcnn, faster-rcnn

简要介绍一下目标检测的网络 (1)R-CNN的原理:先用框把物体找出来,然后将找出来的框放入CNN中进行分类,这就是RCNN的简单原理。 (2)SPP-net:直接输入整张图片,所有区域…

概率分布中的cdf,pdf, pmf

一 概念解释二 数学表示三概念分析四分布函数的意义五参考文献 一. 概念解释 PDF:概率密度函数(probability density function), 在数学中,连续型随机变量的概率密度函数(在不至于混淆时可以简称为密度函数&#xff0…

[Latex] 所有字体embedded: Type3 PDF文档处理 / True Type转换为Type 1 目录: [正文] Type3转TRUE Type/Type 1 [Appendi

目录: [正文] Type3转TRUE Type/Type 1 [Appendix] TRUE Type转Type 1 (并embedded) 准备提交给ACM与IEEE的论文时,我们手头的文档除了有明确具体字体类型的Type1和TrueType字体外,还经常会出现Type3字体&#xf…

贝叶斯分析

1 先来说一下贝叶斯统计与经典统计的不同之处: 简单说,频率派认为估计对象(参数)是一个未知的固定值。而贝叶斯却认为未知的参数都是随机变量。 我曾经见到这么个不错的例子:我们要通过一些事实估计“爱因斯坦在1905年12月25日晚上八点吸烟”的真假。定义参数:,吸烟;,…

数据科学必备的分布

正态分布 正态分布代表了宇宙中大多数情况的运转状态,大量的随机变量被证明是正态分布的。 若随机变量X服从一个数学期望为u, 方差为σ^2的正态分布,记为N(μ,σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置,其标准差σ…