pandas 中的 drop 方法是很明智的数据清理的方法，它的好处在于：它不改变原有的 df 中的数据，而是返回另一个新的 DataFrame 来存放删除后的数据。

---

一、drop 的用法

import pandas as pd
import numpy as np

a = list(range(1, 11))
a_reshape = np.array(a).reshape(2, 5).T
b = pd.DataFrame(a_reshape)
print(b)

1. df.drop([row_num], axis=0)：删除 DataFrame 某一行（如果不指定axis，那么默认axis=0）

c = b.drop(0, axis=0)
print(c)

2. df.drop([row_num], axis=1)：删除 DataFrame 某一列

d = b.drop(0, axis=1)
print(d)

        （参考：pandas DataFrame行或列的删除方法的实现示例） 

---

二、python 中数据清理的常见方法

1. 删除无效项

        （1）df[df.isnull()] 和 df[df.notnull()]：df.isnull() 和 df.notnull() 返回的是一个 true 或 false 的 Series对象，所以这种方式可以筛选出我们需要的特定数据。

        （2）df.dropna()：将所有含有 nan 项的 row 删除（默认：axis=0） 。

        （3）df.dropna(axis=1, thresh=3)：将在列方向上有三个为 nan 的列删除。

        （4）df.dropna(how='ALL')：将全部项都是 nan 的 row 删除。

2. 填充空缺项

        （1）df.fillna(0)

        （2）df.fillna({1:0, 2:0.5})：对第一列 nan 值赋0，第二列赋值 0.5；

        （3）df.fillna(method='ffill')：在列方向上用前一个值赋值给 nan。

        （参考：python进行数据清理之pandas中的drop用法）

---

Tips：

1. 注意：drop() 方法不改变原有的 df 数据！

b.drop(0, axis=1)
print(b)