pandas:sql能的，我都能！！！

通常我们用sql处理数据库里的数据，其实sql对数据的操作，在pandas中完全可以实现。
接下来，让我们根据sql执行顺序，来依次看看pandas对应的方法。

1. from … join 连表查询

sql中首先是从from table_name开始，单张表就不特地说了，若是多张表连接的时候，有5中连接情况。

table1 (inner) join table2
table1 left (outer) join table2
table1 right (outer) join table2
table1 full (outer) join table2
table1 cross join table2 # 笛卡尔积

在pandas中，有对应的函数能实现将表连接起来这个功能。

• merge

pandas.merge(left, right, how=‘inner’, on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=(‘_x’, ‘_y’), copy=True, indicator=False, validate=None)

left: 左表表名
right ：右表表名
how:连接方式，就有inner，left，right，outer，cross就对应sql中的各个连接方式
on,left_on,right_on,left_index,right_index:表示两张表需要根据什么值连接就可以写在这边。若两边相连的值具有相同的列名就直接用on,若是列名不同则分别用left_on和right_on分别指定列名，若是需要根据index相连，则通过left_index或者right_index=True指定。
suffixes:若是两张表中都有相同列名的字段，他默认是给你用column_x,column_y的方式给你区分开，可以自己定义列名
indicator：默认False，若是True，则会添加一列"_merge"，这一列会标注合并键数据的存在是因为存在在左表（left_only）,存在在右表（right_only）还是这个数据两个表都有（both）。
validate:可以验证合并是否为指定类型：有one_to_one(1:1),one_to_many(1:m),many_to_one(m:1),many_to_many(m:m),若是数据和选择的指定类型不符合，会直接报错。*
举个例子一起看看：

df1 = pd.DataFrame({'lkey': ['foo', 'bar', 'baz', 'foo','lll'],
                    'value': [1, 2, 3, 5,7]})
df2 = pd.DataFrame({'rkey': ['foo', 'bar', 'baz', 'foo','rrr'],
                    'value': [5, 6, 7, 8,6]})

# how默认是inner，若是inner连接可以默认不写
pd.merge(df1,df2,left_on='lkey',right_on='rkey');

# how=left,则左表中所有的数据都会显示
pd.merge(df1,df2,how='left',left_on='lkey',right_on='rkey')

# how=right右表的数据完全显示，并且修改重叠列名的后缀
pd.merge(df1,df2,how='right',left_on='lkey',right_on='rkey',suffixes=('_left','_right'))

pd.merge(df1,df2,how='outer',left_on='lkey',right_on='rkey',suffixes=('_left','_right'),indicator=True)

• join

DataFrame.join(other, on=None, how=‘left’, lsuffix=‘’, rsuffix=‘’, sort=False, validate=None)

和merge功能相同，可以连接表。但是这两个函数也有区别。
join默认的连接方式是左连接(left),而merge默认的连接方式是内连接(inner)。
join默认连接两张表的方式是根据两张表的index连接，若是要根据某一列连接，则要通过on指定，这个后面例子会给出。而merge则没有这个默认要求。
join时，如果两张表中有相同的列名，一定要指定lsuffix和rsuffix，否则会直接报错，而merge则没要求，默认会给你的相同列添加上_x,_y来区别来自两个不同的表的数据。
举个例子一起看看，还是那上面的那个数据，用join连接：

df1 = pd.DataFrame({'lkey': ['foo', 'bar', 'baz', 'foo','lll'],
                    'value': [1, 2, 3, 5,7]})
df2 = pd.DataFrame({'rkey': ['foo', 'bar', 'baz', 'foo','rrr'],
                    'value': [5, 6, 7, 8,6]})

df1.join(df2.set_index('rkey'),on='lkey',lsuffix='_l',rsuffix='_r')
# 因为重设了index，符合index_to_index连接，所以不需要在指定on
df1.set_index('lkey').join(df2.set_index('rkey'),lsuffix='_l',rsuffix='_r')

注意：join默认用的是df1和df2的index去连接。若是需要用某一列去连接，可以用on指定在左表中的列名，但是此时还是用右表中的index去连接，如果on指定左表的多列，那右表必须是符合索引。
df1和df2都是value列，所以必须指定lsuffix和rsuffix，否则直接报错，你可以看看。

# 若是需要根据某两列去匹配表
df1 = pd.DataFrame({'lkey': ['foo', 'bar', 'baz', 'foo','lll'],
                    'lcol':['aa','bb','aa','bb','aa'],
                    'value': [1, 2, 3, 5,7]})
df2 = pd.DataFrame({'rkey': ['foo', 'bar', 'baz', 'foo','rrr'],
                    'rcol':['aa','bb','aa','aa','aa'],
                    'value': [5, 6, 7, 8,6]})

df1.join(df2.set_index(['rkey','rcol']),on=['lkey','lcol'],how='outer',lsuffix='_l',rsuffix='_r')
# 当两个表用复合索引连接时，还是必须用on指定索引名
df1.set_index(['lkey','lcol']).join(df2.set_index(['rkey','rcol']),on=['lkey','lcol'],how='outer',lsuffix='_l',rsuffix='_r')

如此看来，其实join用起来不如merge方便，不需要查看两张表的index是否是连接的键。并且merge对于两个表中相同的列名会自动添加_x,_y帮助识别，而不是直接报错，必须手动指定。
但是join有一个优点的。他可以同时合并多个dataframe。

df1 = pd.DataFrame({'lkey': ['foo', 'bar', 'baz', 'foo','lll'],        
                    'value': [1, 2, 3, 5,7]})
df2 = pd.DataFrame({'rkey': ['foo', 'bar', 'baz', 'foo','rrr'],           
                    'value': [5, 6, 7, 8,6]})
df3 = pd.DataFrame({'rkey': ['foo', 'bar', 'baz', 'foo','lll','rrr'],           
                    'value': [7,6,3,5,8,5]})

df1.set_index('lkey').join([df2.set_index('rkey'),df3.set_index('rkey')])

# 当合并多个dataframe的时候，此时已经没必要指定lsuffix,rsuffix,哪怕指定也无效
df1.set_index('lkey').join([df2.set_index('rkey'),df3.set_index('rkey')],how='outer',lsuffix='_l',rsuffix='_r')

# 当同时合并多个dataframe时，只支持行索引连接，不能使用参数on。使用on会报错
df1.join([df2.set_index('rkey'),df3.set_index('rkey')],on='lkey')

2. where 条件过滤

select * from table_name where xxx;

在sql中，当需要从表中过滤某些不必要的数据，就是在where这一步。并且可以通过逻辑词and,or连接不同筛选要求。同样在pandas中能实现这个情况。

• 使用布尔索引

# 给个测试数据
date1 = ['星期一','星期二','星期三','星期四','星期五','星期六','星期日']
items = ['白菜','萝卜','土豆','辣椒']
df = pd.DataFrame({'时间':np.random.choice(date1,size=100),
                 'items':np.random.choice(items,size=100),
                  '销量':np.random.randint(50,200,size=100)
                   })
df

# 查看萝卜的销售情况
pd.set_option('display.max_rows',10) # 结果显示页面太长，所以设置只显示10行
df[df['items']=='萝卜']

# 若是需要多个条件可以实现
# 查看星期五的土豆销售情况
df[(df['items']=='土豆') & (df['时间']=='星期五')]

sql中的AND和OR在这里分别是&，|。

• query

DataFrame.query(expr, *, inplace=False, **kwargs)

query中要传入要评估的查询字符串
同样上面两个要求对应的语法如下。

df.query('items=="萝卜"')

df.query('items=="土豆" & 时间=="星期五"')

结果图片和上面一样，不再给出，可以看出用query,语法上会稍微简洁一点。
当列名称有空格或其他特殊情况，可以使用反引号( `` )来引用。
query中不仅支持&，|，还支持and,or上面的语句也可以写成：

df.query('items=="土豆" and 时间=="星期五"')

更多使用情况，还可以看：https://blog.csdn.net/weixin_42596342/article/details/120303484

• filter

DataFrame.filter(items=None, like=None, regex=None, axis=None)

items:保留项目中列的标签
like:保留来自"like in label==True"的轴的标签
regex:正则表达式
axis:0(‘index’),1(‘columns’)，默认是dataframe的columns
filter这个函数用户来过滤索引的标签

df1 = pd.DataFrame(np.array(([1, 2, 3,'ett'], [4, 5, 6,'atel'])),
                  index=['mouse', 'rabbit'],
                  columns=['one', 'two', 'three','type'])

df1

过滤出index中包含m的数据
df1.filter(like ='m',axis=0)

过滤出columns中包含o的数据
df1.filter(like ='o')
df1.filter(like ='o',axis=1)

前面布尔索引和query都是针对dataframe中的值进行过滤处理的，而filter是根据行列标签进行过滤处理。

3. group by 分组

在sql中，group by是非常重要的操作，将你的数据分组聚合，可以得到很多有意义的结果。在pandas中，也有对应的groupby用法。

• groupby

DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=_NoDefault.no_default, squeeze=_NoDefault.no_default, observed=False, dropna=True)

by：用于指定确定groupby的组。
axis:沿行(0)或者列(1)拆分，默认为0
level：如果index是复合索引，可以通过level指定特定的级别。不要同时指定by和level
as_index:对于聚合结果，以组标签作为索引
sort：排序
group_keys:默认group的键在输出的时候是是不作为结果的index标签输出的。
squeeze：如果需要，减少返回的维度
observed：仅适用于任何groupers是分类的。
dropna:若是True，则聚合结果将会NA值所在行/列删除，若是False，则NA值也会作为组中的键。
在pandas中，也和sql一样，需要分组的数据放在groupby函数中。例如上面，按照时间和items分组：

df.groupby(['时间','items'])
# 得到的是一个groupby对象：

若是想查看结果，可以这样：

list(df.groupby(['时间','items']))

若是想要以index分组，可以通过level指定：

df1 = pd.DataFrame(np.arange(5),index=['wild','sux','sux','wild','wild'],columns=['col'])
list(df1.groupby(level=0))

用groupby配合对应的函数，就可以得到对应的分组聚合值。例如，各个items的销量。

df.groupby('items').sum()

4.having 组间数据过滤

having是对group聚合后的组的一个筛选操作。可以把聚合操作后的数据赋值给一张临时表，这样具体处理方法其实和在where条件中一样，不再重复介绍。

5.select 筛选中想要查询的列

select column1,column2,column3,... from table;

当一张表中有特别多的字段，但是我们并不需要所有的字段，只需要取出其中某些查看，就可以通过select后写需要的字段查看。
在pandas中想查看某些列的数据有以下方法：

# 插入测试数据
df = pd.DataFrame(np.random.randint(10,size=(2,7)),columns=['星期一','星期二','星期三','星期四','星期五','星期六','星期日'])
df

单列

• .列名

df.星期三

• []

# 结果和上面一样，不再继续给出
df['星期三']

• loc[]和iloc[]

# 填入的是列标签
df.loc[:,['星期三']]

# 填入的是列索引
df.iloc[:,[2]]

多列

上面的方法取星期三，星期四数据

df[['星期三','星期四']]
df.loc[:,['星期三','星期四']]
df.iloc[:,[2,3]]

另外还可以使用切片的方法。

• 切片
  start:stop:step

df.loc[:,'星期三':'星期四']
# 索引是左闭右开
df.iloc[:,2:4]

6.distinct 去重

# postgresql
select distinct id,num from a; -- 根据id,num字段去重
select distinct on (id)id,num from a; -- 根据id字段去重，num随机取值

#mysql
select distinct id,num from a ; -- 根据id,num字段去重
-- 根据id字段去重，mysql没有对应的语法，所以需要其他方法
with a1 as (
select id,num,row_number() over () r from a
)
select id,num from a1 where exists (select id m from (select id,max(r) m from a1 group by id)tmp where a1.id=tmp.id and a1.r=tmp.m)

在sql中，通过distinct字段对数据去重，其中有针对各个字段组合去重，还有就是针对某一个字段去重得到的结果。
在pandas中，有以下去重的方法。

• drop_duplicates

DataFrame.drop_duplicates(subset=None, *, keep=‘first’, inplace=False, ignore_index=False)

subset:传入需要通过哪些列去重数据，默认不传，表示所有列一起去重
keep:first：对于去重的行，保留第一条数据
         last:去重数据保留最后一行
         False：去重所有重复项
inplace：修改dataframe
ignore_index：忽略index。
举个例子，插入测试数据:

df = pd.DataFrame({
    'brand': ['Yum Yum', 'Yum Yum', 'Indomie', 'Indomie', 'Indomie'],
    'style': ['cup', 'cup', 'cup', 'pack', 'pack'],
    'rating': [4, 4, 3.5, 15, 5]
})

# 对所有列去重
# 相当于 postgresql中的distinct
df.drop_duplicates()

# 针对brand去重显示
# 相当于postgresql中的distinct on
df.drop_duplicates(subset='brand')

# 根据brand,style去重，并且保留最后一条数据
df.drop_duplicates(subset=['brand','style'],keep='last')

• duplicated

DataFrame.duplicated(subset=None, keep=‘first’)

keep:first:将重复项标记为True，第一次出现的除外
         last：将重复项标记为True，除最后一次出现的除外
         False：将所有重复项标记为True
duplicated函数返回的是表示重复行的布尔系列

df.duplicated()

得到的结果如下图，若是重复出现的行，会返回True，否则返回False

若是想要以brand去重，看每个brand的最后一条数据：

#duplicated中的keep,如果设置last,表示每组重复值中，最后一次出现的为False，其余为True
df[df.duplicated(subset='brand',keep='last')==False]

这个函数用来查看重复项数据有多少比较方便

# 查看以brand去重，重复数据有多少
df.duplicated('brand').sum()

7.order by 排序

select * from a order by id;
select *  from a order by id,num desc;

sql中，根据order by关键字指定排序，并通过asc(默认这个，可以不写)，desc表示是升序还是降序。
在pandas中，排序有以下方法。

• sort_values

DataFrame.sort_values(by, *, axis=0, ascending=True, inplace=False, kind=‘quicksort’, na_position=‘last’, ignore_index=False, key=None)

by:跟需要排序的字段名或字段名列表
sort_values表示根据columns上的值排序。
案例：

df = pd.DataFrame({
    'col1': ['A', 'A', 'B', np.nan, 'D', 'C'],
    'col2': [2, 1, 9, 8, 7, 4],
    'col3': [0, 1, 9, 4, 2, 3],
    'col4': ['a', 'B', 'c', 'D', 'e', 'F']
})
df

# 根据col1降序排列，若是col1相同，再按照col2升序排序
df.sort_values(['col1','col2'],ascending=[False,True])

# 根据index是4,5这两行对dataframe排序
# 对字母和数据比较大小是通过他们对应的ascii码对应做比较
df.sort_values([4,5],axis=1,ascending=[False,True])

• sort_index

DataFrame.sort_index(*, axis=0, level=None, ascending=True, inplace=False, kind=‘quicksort’, na_position=‘last’, sort_remaining=True, ignore_index=False, key=None)

这个函数是根据标签排序

df = pd.DataFrame(
   np.random.randint(10,size=(5,2)),index=['aa','b','ac','c','bb'],columns=['col2','col1']
)
df

df.sort_index()

df.sort_index(axis=1)

sort_index和sort_values的区别就是，sort_index就是根据index或者columns中的标签来排序，而sort_values则是根据dataframe中的数据进行排序。

8.limit 指定行数显示

# 显示前10条数据
select * from a limit 10;
# 偏移2条数据然后显示4条数据记录
select * from a limit 2,4;
select *  from a limit 4 offset 2;

在sql中通过limit关键字指定数据显示条数。
我们一起来看看pandas中怎么处理。

• head

DataFrame.head(n=5)

返回前n行，默认返回前5行。
一起看看案例：

df = pd.DataFrame(
   np.random.randint(10,size=(5,2)),index=['aa','b','ac','c','bb'],columns=['col2','col1']
)
df

df.head(2)

• tail

DataFrame.tail(n=5)

返回最后n条数据，默认n是5

df.tail(2)

# 返回第二行、第三行数据
# head(2)+tail(-1)刚好的等于整个dataframe
df.tail(-1).head(2)

此外，sql的其他操作在pandas中同样能够处理。

9.union all 数据拼接

select id,name from a1
union all
select id,name from a2

sql中通过union all 关键字，可以将多张表结构一样的表拼接在一起。若是union，则表示合并表并删除重复项只保留去重项。
在pandas中，我们以下方法合并表。

• concat

pandas.concat(objs, *, axis=0, join=‘outer’, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, sort=False, copy=True)

axis:表示按index方向还是columns方向拼接数据。
join：{‘inner’,‘outer’}，默认outer，处理其他轴上的索引
ignore_index:默认false，若是true，则合并数据的index将会标记为0,1,…,n-1。
keys:如果有多个级别，通过传递的键作为最外层索引
levels:用于构建 MultiIndex 的特定级别（唯一值）
names:生成复合索引中的级别名称

# 插入测试数据
df1 = pd.DataFrame(data=[[1,3,2],[4,5,6]],columns=['col1','col2','col3'])
df2 = pd.DataFrame({'col1':np.random.randint(10,size=3),
                  'col2':np.random.randint(10,size=3),
                  'col3':np.random.randint(10,size=3)})
print(df1)
print(df2)

pd.concat([df1,df2])

concat除了沿着index方向拼接，还可以沿着columns方向拼接，这样拼接和merge和join一样。

# 默认拼接方式是outer,所以当某张表的数据比较多的时候，另一张表会用NAN补齐
pd.concat([df1,df2],axis=1)

pd.concat([df1,df2],axis=1,join='inner',keys=['df1','df2'],names=['i1','i2'])

• append

DataFrame.append(other, ignore_index=False, verify_integrity=False, sort=False)

ignore_index:默认false，若是true，则合并数据的index将会标记为0,1,…,n-1。
verify_integrity:默认false，若是true,则在创建具有重复项的索引时会引发ValueError。

df1.append(df2)

append这个方法还能使用，但是已经不推荐使用这种方法了，所以就使用concat比较好。

10.update 修改表中数据

update a set id=xxx where num=aaa;

• 利用索引修改(loc和iloc)

df = pd.DataFrame(np.arange(5))
df

df.iloc[2,0]=10
df

可以通过直接赋值的方法修改dataframe的值，同理loc也一样，不再举例。

• where

DataFrame.where(cond, other=_NoDefault.no_default, *, inplace=False, axis=None, level=None, errors=‘raise’, try_cast=_NoDefault.no_default)

当输入的条件时False时，将会替换value

# 插入测试数据：
df = pd.DataFrame({
    'brand': ['Yum Yum', 'Yum Yum', 'Indomie', 'Indomie', 'Indomie'],
    'style': ['cup', 'cup', 'cup', 'pack', 'pack'],
    'rating': [4, 4, 3.5, 15, 5]
})
df

# 查看brand是Indomie,style是cup的数据
df.where((df['brand']=='Indomie')&(df['style']=='cup'))

# 把brand是Indomie,style是cup的rating值改成10
# 这里要稍微变一下，where是将符合条件的数据保留原值，替换不符合条件的数据
df['rating'].where((df['brand']=='Yum Yum')|(df['style']=='pack'),10,inplace=True)
df

• mask

DataFrame.mask(cond, other=nan, *, inplace=False, axis=None, level=None, errors=‘raise’, try_cast=_NoDefault.no_default)

当条件为真时，替换value。这个函数和where刚好相反。

df.mask((df['brand']=='Indomie')&(df['style']=='cup'))

# 把brand是Indomie,style是cup的rating值改成20
df['rating'].mask((df['brand']=='Indomie')&(df['style']=='cup'),20,inplace=True)
df

因为，若是是为了查看数据时，用where函数比较好，可以顺着自己的思路直接写过滤条件。若是需要修改数据，用mask比较好，可以顺着自己的过滤要求写条件，否则写的条件就要反推，容易出错。

• update

DataFrame.update(other, join=‘left’, overwrite=True, filter_func=None, errors=‘ignore’)

other:DataFrame，至少有一个匹配的索引/列标签;Series必设name属性
join：{‘left’}仅实现左连接，保留原始对象的索引和列
overwrite =True：处理重叠键(行索引)非NA值： (True：覆盖原始df值,False：仅更新原始df中na的值)
filter_func：callable（1d-array） - > boolean 1d-array
可替换NA以外值。返回True表示值应该更新。函数参数作用于df
raise_conflict=False：为True，则会在df和other同一位置都是非na值时引发ValueError

# 插入测试数据
df = pd.DataFrame({'A': [11, 12, 13],'B': [14, 15, 16]})
new_df = pd.DataFrame({'B': [21, 22,23],'C': [24, 25, 26]})
print(df)
print(new_column)

# 只修改具有相同index和columns的值
df.update(new_column)
df

# 若是原dataframe相同的index有两个，overwrite=True表示都覆盖
df = pd.DataFrame({'A': [11, 12, 13],'B': [14, np.nan, 16]},index=[0,1,1])
new_df = pd.DataFrame({'B': [21, 22,23],'C': [24, 25, 26]})
df.update(new_df)
df

df = pd.DataFrame({'A': [11, 12, 13],'B': [14, np.nan, 16]},index=[0,1,1])
new_df = pd.DataFrame({'B': [21, 22,23],'C': [24, 25, 26]})
df.update(new_df,overwrite=False)
df

# 添加过滤条件filter_func
df = pd.DataFrame([[2.5, 2.1, 1.],
                   [2, np.nan, 3.],
                   [1.5, np.nan, 3],
                   [1.5, np.nan, 3]])

other = pd.DataFrame([[3.6, 2., np.nan],
                      [np.nan, np.nan, 7]])

df.update(other, filter_func=lambda x: x > 2)
df
# 根据index和columns名，other是修改df前两行数据。
# filter_func判断df前两行的数据，当该位置的元素大于2将会被替换
# 其中df.iloc[0,2]位置上的1没被替换是因为other.iloc[0,2]这个位置的数是np.nan，空值不做替换

# other的index设定，是other只替换df中相同index处的数据
df = pd.DataFrame([[2.5, 2.1, 1.],
                   [2, np.nan, 3.],
                   [1.5, np.nan, 3],
                   [1.5, np.nan, 3]])

other = pd.DataFrame([[3.6, 2., np.nan],
                      [np.nan, np.nan, 7]], index=[1, 3])

df.update(other, filter_func=lambda x: x > 2)
df

更多update案例，可查看（点这里）。

11.insert 插入数据

insert into a values (xxx,yyy);
insert into a select id,name from b;

在pandas中的插入数据怎么处理。
插入行：

# 测试数据
df = pd.DataFrame(np.arange(9).reshape(3,-1))
df

• loc[]

df.loc[3,:]=[10,10,10]
df

注意这里能通过loc来添加一行数据，但是不适用于iloc,iloc会报错。
添加一列：

df.loc[0,3]=20
df

这里同样没有办法通过iloc来来增加一列，可以通过loc增加，若是只添加了一个数，那这列其余的值都会用NaN填充。

• dataframe.[‘列名’]

同理可以用dataframe[‘column’]新增一列。

df[4]=50

• insert

DataFrame.insert(loc, column, value, allow_duplicates=_NoDefault.no_default)

loc:插入的index
column:插入列名的标签
value:插入的value值
allow_duplicates:是否允许dataframe已存在一样的column标签

# 表示插入在列索引是5的位置，该列的索引标签是5，这一列中插入的数据是99
df.insert(5,5,99)
df

# 因为df中已经有列标签名是5的列，这个时候要插入相同的列名，需要allow_duplicates
df.insert(5,5,[97,98,99,100],allow_duplicates=True)
df

此外，若是想将另一张表的数据插入到表中，这就是前面讲的union all中的拼接表就一样，这里就不再继续说了。

12.delete 删除数据

# 删除整张表
delete from a;
# 删除满足条件的部分数据
delete from a where id=xxx;
# 删除列
alter table a drop column id;

删除列：

• del dataframe[‘column_name’]

del df[2]
df

• pop

DataFrame.pop(item)

传入的是column的标签

# 这个是有返回值的，返回的就是那列被删除的结果
df.pop(1)

下面这个函数不仅可以删除列，也可以删除行：

• drop

DataFrame.drop(labels=None, *, axis=0, index=None, columns=None, level=None, inplace=False, errors=‘raise’)

labels:要删除的index或者column标签，可以是单个标签，也可以是一个列表
axis:表示要删除行还是列
index:指定要删除的索引标签：index=label_name 等同于labels=label_name,axis=0。可以是单标签也可以是标签列表
columns:指定要删除的列标签：columns=label_name等同于labels=label_name,axis=1。可以是单标签也可以是标签列表
level:int或level name（针对复合索引）
inplace:是创建副本还是直接修改原dataframe
errors:{‘ignore’,‘raise’}
drop可以通过标签删掉行或者列

df
df.drop(index=[1,2],columns=[4,5])
df
# 若是只删除行或者只删除列，可以通过labels和axis指定
# inplace=False所以对原dataframe不做修改，会返回一个删除后的dataframe

本文到这里就结束了，感觉您的阅读~