GVKun编程网logo

从整个Python Pandas Dataframe删除美元符号（python dataframe删除指定行）

20

对于想了解从整个PythonPandasDataframe删除美元符号的读者，本文将提供新的信息，我们将详细介绍pythondataframe删除指定行，并且为您提供关于Python处理PandasD

对于想了解从整个Python Pandas Dataframe删除美元符号的读者，本文将提供新的信息，我们将详细介绍python dataframe删除指定行，并且为您提供关于Python 处理 Pandas DataFrame 中的行和列、python dataframe删除指定的行、Python Pandas -- DataFrame、Python pandas dataframe的有价值信息。

本文目录一览：

从整个Python Pandas Dataframe删除美元符号（python dataframe删除指定行）

从整个Python Pandas Dataframe删除美元符号（python dataframe删除指定行）

我希望删除不起作用的美元符号。我相信这是因为正则表达式将美元符号视为字符串的结尾，但是我不确定该怎么做。到目前为止，这是我创建的：

dftest = pd.DataFrame({''A'':[1,2,3],                       ''B'':[4,5,6],                       ''C'':[''f;'',''$d:'',''sda%;sd$''],                       ''D'':[''s%'',''d;'',''d;p$''],                       ''E'':[5,3,6],                       ''F'':[7,4,3]})

给出输出：

In [155]: dftestOut[155]:   A  B         C     D  E  F0  1  4        f;    s%  5  71  2  5       $d:    d;  3  42  3  6  sda%;sd$  d;p$  6  3

然后，我尝试删除美元符号，如下所示：

colstocheck = dftest.columnsdftest[colstocheck] = dftest[colstocheck].replace({''$'':''''}, regex = True)

那不会删除美元符号，但是此代码会删除百分比符号：

dftest[colstocheck] = dftest[colstocheck].replace({''%'':''''}, regex = True)

因此，我不确定如何替换美元符号。

答案1

小编典典

您需要$通过\以下方式逃脱：

dftest[colstocheck] = dftest[colstocheck].replace({''\$'':''''}, regex = True)print (dftest)   A  B        C    D  E  F0  1  4       f;   s%  5  71  2  5       d:   d;  3  42  3  6  sda%;sd  d;p  6  3

Python 处理 Pandas DataFrame 中的行和列

Python 处理 Pandas DataFrame 中的行和列

前言：

数据框是一种二维数据结构，即数据以表格的方式在行和列中对齐。我们可以对行/列执行基本操作，例如选择、删除、添加和重命名。在本文中，我们使用的是nba.csv文件。

处理列

为了处理列，我们对列执行基本操作，例如选择、删除、添加和重命名。

列选择：为了在 Pandas DataFrame 中选择一列，我们可以通过列名调用它们来访问这些列。

# Import pandas package
import pandas as pd

# 定义包含员工数据的字典
data = {''Name'':[''Jai'', ''Princi'', ''Gaurav'', ''Anuj''],
		''Age'':[27, 24, 22, 32],
		''Address'':[''Delhi'', ''Kanpur'', ''Allahabad'', ''Kannauj''],
		''Qualification'':[''Msc'', ''MA'', ''MCA'', ''Phd'']}

# 将字典转换为 DataFrame
df = pd.DataFrame(data)

# 选择两列
print(df[[''Name'', ''Qualification'']])

输出：

列添加：为了在 Pandas DataFrame 中添加列，我们可以将新列表声明为列并添加到现有数据框。

# Import pandas package
import pandas as pd

# 定义包含学生数据的字典
data = {''Name'': [''Jai'', ''Princi'', ''Gaurav'', ''Anuj''],
		''Height'': [5.1, 6.2, 5.1, 5.2],
		''Qualification'': [''Msc'', ''MA'', ''Msc'', ''Msc'']}

# 将字典转换为 DataFrame
df = pd.DataFrame(data)

# 声明要转换为列的列表
address = [''Delhi'', ''Bangalore'', ''Chennai'', ''Patna'']

# 使用“地址”作为列名并将其等同于列表
df[''Address''] = address

# 观察结果
print(df)

输出：

有关更多示例，请参阅在 Pandas列删除中向现有 DataFrame 添加新列：为了删除 Pandas DataFrame 中的列，我们可以使用该方法。通过删除具有列名的列来删除列。
drop()

# importing pandas module
import pandas as pd

# 从csv文件制作数据框
data = pd.read_csv("nba.csv", index_col ="Name" )

# 删除通过的列
data.drop(["Team", "Weight"], axis = 1, inplace = True)

# 展示
print(data)

输出：如输出图像所示，新输出没有传递的列。这些值被删除，因为轴设置为等于 1，并且由于 inplace 为 True，因此在原始数据框中进行了更改。

删除列之前的数据框- 删除列：

之后的数据框：

处理行

为了处理行，我们可以对行执行基本的操作，例如选择、删除、添加和重命名。

行选择Pandas 提供了一种从数据框中检索行的独特方法。DataFrame.loc[]方法用于从 Pandas DataFrame 中检索行。也可以通过将整数位置传递给 iloc[] 函数来选择行。

# importing pandas package
import pandas as pd

# 从csv文件制作数据框
data = pd.read_csv("nba.csv", index_col ="Name")

# 通过 loc 方法检索行
first = data.loc["Avery Bradley"]
second = data.loc["R.J. Hunter"]
print(first, "\n\n\n", second)

输出：如输出图像所示，由于两次都只有一个参数，因此返回了两个系列。

有关更多示例，请参阅Pandas 使用 .loc Row Addition提取行：为了在 Pandas DataFrame 中添加一行，我们可以将旧数据帧与新数据帧连接。

# importing pandas module
import pandas as pd
	
# 制作数据框
df = pd.read_csv("nba.csv", index_col ="Name")

df.head(10)

new_row = pd.DataFrame({''Name'':''Geeks'', ''Team'':''Boston'', ''Number'':3,
						''Position'':''PG'', ''Age'':33, ''Height'':''6-2'',
						''Weight'':189, ''College'':''MIT'', ''Salary'':99999},
															index =[0])
# 简单地连接两个数据框
df = pd.concat([new_row, df]).reset_index(drop = True)
df.head(5)

输出：添加行前的数据框- 添加行

后的数据框-

删除行：为了删除 Pandas DataFrame 中的一行，我们可以使用 drop() 方法。通过按索引标签删除行来删除行。

# importing pandas module
import pandas as pd

# 从csv文件制作数据框
data = pd.read_csv("nba.csv", index_col ="Name" )

# 删除传递的值
data.drop(["Avery Bradley", "John Holland", "R.J. Hunter",
							"R.J. Hunter"], inplace = True)
# 展示
data

输出：如输出图像所示，新输出没有传递的值。由于 inplace 为 True，因此删除了这些值并在原始数据框中进行了更改。
删除值之前的数据框- 删除值

后的数据框：

到此这篇关于Python  处理 Pandas DataFrame 中的行和列的文章就介绍到这了,更多相关Python  Pandas DataFrame 内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！

您可能感兴趣的文章:
  • Python pandas按行、按列遍历DataFrame的几种方式
  • Python Pandas 修改表格数据类型 DataFrame 列的顺序案例
  • python读取和保存为excel、csv、txt文件及对DataFrame文件的基本操作指南
  • python Dataframe 合并与去重详情
  • 解读Python中的frame是什么

python dataframe删除指定的行

python dataframe删除指定的行

网上关于dataframe删除指定行的博文较少，看到一篇不错的，转载一下，原文地址：https://blog.csdn.net/shuihupo/article/details/82842524

遇到清洗数据的问题，需要把某一列数据中，那些为指定元素的数据，整行去除

尝试了drop却不能到达理想的效果，drop仅仅删除了第一个。

isin效果理想。


 
 
 
    
  
  
  
  1. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     import pandas 
     
     
     as pd
    
    
    
    
   
   
   
    2. 
  
  
  
  2. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     df = pd.DataFrame({
     
     
     "key":[
     
     
     ''green'',
     
     
     ''red'', 
     
     
     ''blue''],
    
    
    
    
   
   
   
    3. 
  
  
  
  3. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
                
     
     
     "data1":[
     
     
     ''a'',
     
     
     ''b'',
     
     
     ''c''],
     
     
     "sorce": [
     
     
     33,
     
     
     61,
     
     
     99]})
    
    
    
    
   
   
   
    4. 
 
 
 

 
 
 

 
 
 
    
  
  
  
  1. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
       data1    key  sorce
    
    
    
    
   
   
   
    2. 
  
  
  
  2. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     0     a  green     
     
     
     33
    
    
    
    
   
   
   
    3. 
  
  
  
  3. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     1     b    red     
     
     
     61
    
    
    
    
   
   
   
    4. 
  
  
  
  4. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     2     c   blue     
     
     
     99
    
    
    
    
   
   
   
    5. 
 
 
 

 
 
 

 
 
 
    
  
  
  
  1. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     mport pandas 
     
     
     as pd
    
    
    
    
   
   
   
    2. 
  
  
  
  2. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     df = pd.DataFrame({
     
     
     "key":[
     
     
     ''green'',
     
     
     ''red'', 
     
     
     ''blue''],
    
    
    
    
   
   
   
    3. 
  
  
  
  3. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
                
     
     
     "data1":[
     
     
     ''a'',
     
     
     ''b'',
     
     
     ''c''],
     
     
     "sorce": [
     
     
     33,
     
     
     61,
     
     
     99]})
    
    
    
    
   
   
   
    4. 
  
  
  
  4. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     data1 = pd.concat([df,df],ignore_index=
     
     
     True)
    
    
    
    
   
   
   
    5. 
  
  
  
  5. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     data2=data1[-data1.sorce.isin([
     
     
     61])]
    
    
    
    
   
   
   
    6. 
  
  
  
  6. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     print(
     
     
     "---------------")
    
    
    
    
   
   
   
    7. 
  
  
  
  7. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     print(data1)
    
    
    
    
   
   
   
    8. 
  
  
  
  8. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     print(
     
     
     "---------------")
    
    
    
    
   
   
   
    9. 
  
  
  
  9. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     print(data2)
    
    
    
    
   
   
   
    10. 
  
  
  
  10. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     print(
     
     
     "---------------")
    
    
    
    
   
   
   
    11. 
  
  
  
  11. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     data3=data1.drop(data1.ix[:,
     
     
     ''sorce'']==
     
     
     61)
    
    
    
    
   
   
   
    12. 
  
  
  
  12. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     print(data3)
    
    
    
    
   
   
   
    13. 
 
 
 

 
 
 

 
 
 
    
  
  
  
  1. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     ---------------
    
    
    
    
   
   
   
    2. 
  
  
  
  2. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
       data1    key  sorce
    
    
    
    
   
   
   
    3. 
  
  
  
  3. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     0     a  green     
     
     
     33
    
    
    
    
   
   
   
    4. 
  
  
  
  4. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     1     b    red     
     
     
     61
    
    
    
    
   
   
   
    5. 
  
  
  
  5. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     2     c   blue     
     
     
     99
    
    
    
    
   
   
   
    6. 
  
  
  
  6. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     3     a  green     
     
     
     33
    
    
    
    
   
   
   
    7. 
  
  
  
  7. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     4     b    red     
     
     
     61
    
    
    
    
   
   
   
    8. 
  
  
  
  8. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     5     c   blue     
     
     
     99
    
    
    
    
   
   
   
    9. 
  
  
  
  9. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     ---------------
    
    
    
    
   
   
   
    10. 
  
  
  
  10. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
       data1    key  sorce
    
    
    
    
   
   
   
    11. 
  
  
  
  11. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     0     a  green     
     
     
     33
    
    
    
    
   
   
   
    12. 
  
  
  
  12. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     2     c   blue     
     
     
     99
    
    
    
    
   
   
   
    13. 
  
  
  
  13. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     3     a  green     
     
     
     33
    
    
    
    
   
   
   
    14. 
  
  
  
  14. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     5     c   blue     
     
     
     99
    
    
    
    
   
   
   
    15. 
  
  
  
  15. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     ---------------
    
    
    
    
   
   
   
    16. 
  
  
  
  16. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
       data1    key  sorce
    
    
    
    
   
   
   
    17. 
  
  
  
  17. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     2     c   blue     
     
     
     99
    
    
    
    
   
   
   
    18. 
  
  
  
  18. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     3     a  green     
     
     
     33
    
    
    
    
   
   
   
    19. 
  
  
  
  19. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     4     b    red     
     
     
     61
    
    
    
    
   
   
   
    20. 
  
  
  
  20. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     5     c   blue     
     
     
     99
    
    
    
    
   
   
   
    21. 
  
  
  
  21. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
     
    
    
    
    
   
   
   
    22. 
  
  
  
  22. 
   
   
   
    
    
    
    
    
   
   
   
    
   
   
   
    
    
    
    
    
     
     
     Process finished 
     
     
     with exit code 
     
     
     0
    
    
    
    
   
   
   
    23.

data.name.isin([筛选元素])

对dataframe的某列（name为列名）进行筛选，加负号的原因是想删除符合条件的行，不写负号是筛选出符合条件的行

Python Pandas -- DataFrame

Python Pandas -- DataFrame

pandas.DataFrame

class  pandas. DataFrame (data=None, index=None, columns=None, dtype=None, copy=False)[source]

Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure

Parameters:

data : numpy ndarray (structured or homogeneous), dict, or DataFrame

Dict can contain Series, arrays, constants, or list-like objects

index : Index or array-like

Index to use for resulting frame. Will default to np.arange(n) if no indexing information part of input data and no index provided

columns : Index or array-like

Column labels to use for resulting frame. Will default to np.arange(n) if no column labels are provided

dtype : dtype, default None

Data type to force. Only a single dtype is allowed. If None, infer

copy : boolean, default False

Copy data from inputs. Only affects DataFrame / 2d ndarray input

See also

DataFrame.from_records
constructor from tuples, also record arrays
DataFrame.from_dict
from dicts of Series, arrays, or dicts
DataFrame.from_items
from sequence of (key, value) pairs

pandas.read_csv, pandas.read_table, pandas.read_clipboard

1. 先来个小菜

  基于dictionary创建

from pandas import Series, DataFrame
import pandas as pd  
import numpy as np
d = {''col1'':[1,2],''col2'':[3,4]}
df = pd.DataFrame(data=d)
print(df)
print(df.dtypes)
#   col1  col2
#0     1     3
#1     2     4
#col1    int64
#col2    int64
#dtype: object

基于Numy的ndarrary

df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)),columns=[''a'', ''b'', ''c'', ''d'', ''e''])
print (df2)
#   a  b  c  d  e
#0  0  2  4  7  0
#1  6  7  3  4  1
#2  5  3  3  8  7
#3  0  9  4  3  4
#4  7  4  7  0  0

 

Python pandas dataframe

Python pandas dataframe

 dataframe 列类型

df['客户id'] = df['客户id'].apply(pd.to_numeric)
df = pd.DataFrame(a, dtype='float')  #示例1
df = pd.DataFrame(data=d, dtype=np.int8) #示例2
df = pd.read_csv("somefile.csv", dtype = {'column_name' : str})
df[['col2','col3']] = df[['col2','col3']].apply(pd.to_numeric)
df[['two', 'three']] = df[['two', 'three']].astype(float)

    df.dtypes

    type(mydata[0][0])

   维度查看：df.shape
   数据表基本信息（维度、列名称、数据格式、所占空间等）：df.info()
   每一列数据的格式：df.dtypes
   某一列格式：df['B'].dtype

文件操作

DataFrame 数据的保存和读取

  • df.to_csv 写入到 csv 文件
  • pd.read_csv 读取 csv 文件
  • df.to_json 写入到 json 文件
  • pd.read_json 读取 json 文件
  • df.to_html 写入到 html 文件
  • pd.read_html 读取 html 文件
  • df.to_excel 写入到 excel 文件
  • pd.read_excel 读取 excel 文件

pandas.DataFrame.to_csv
将 DataFrame 写入到 csv 文件
    DataFrame.to_csv(path_or_buf=None, sep=', ', na_rep='', float_format=None, columns=None, header=True, index=True,
                     index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"',
                     line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True,
                     escapechar=None, decimal='.')

参数：
    path_or_buf : 文件路径，如果没有指定则将会直接返回字符串的 json
    sep : 输出文件的字段分隔符，默认为 “,”
    na_rep : 用于替换空数据的字符串，默认为''
    float_format : 设置浮点数的格式（几位小数点）
    columns : 要写的列
    header : 是否保存列名，默认为 True ，保存
    index : 是否保存索引，默认为 True ，保存
    index_label : 索引的列标签名

 

 

 

条件筛选

单条件筛选

选取col1列的取值大于n的记录: data[data['col1']>n]
筛选col1列的取值大于n的记录,但是显示col2，col3列的值: data[['col2','col3']][data['col1']>n]
选择特定行：使用isin函数根据特定值筛选记录。筛选col1值等于list中元素的记录: data[data.col1.isin(list)]
 
 

多条件筛选

可以使用&(并)与| (或)操作符或者特定的函数实现多条件筛选
使用&筛选col1列的取值大于n，col2列的取值大于m的记录:data[(data['col1'] > n) & (data['col2'] > m)]
使用numpy的logical_and函数完成同样的功能:data[np.logical_and(data['col1']> n,data['col2']>m)]
 
 

索引筛选

切片操作

使用切片操作选择特定的行: data[n:m]
传入列名选择特定的列: data[['col1','col2']]
 

loc函数[行用序号，列用名称]

当每列已有column name时，用 data ['col1'] 就能选取出一整列数据。如果你知道column names 和index，可以选择 .loc同时进行行列选择: data.loc[index,'colum_names']
 

iloc函数[行用序号，列用序号]

使用方法同loc函数，但是不再输入列名，而是输入列的index: data.iloc[row_index,col_index]

 

ix函数

ix的功能更加强大，参数既可以是索引，也可以是名称，相当于，loc和iloc的合体。需要注意的是在使用的时候需要统一，在行选择时同时出现索引和名称， 同样在同行选择时同时出现索引和名称: data.ix[n:m,['col1','col2']]
但是在最新的版本中，ix函数不建议使用
 
 

at函数

根据指定行index及列label，快速定位DataFrame的元素，选择列时仅支持列名:data.at[row_index,'column_names']
 
 

iat函数

与at的功能相同，只使用索引参数:data.iat[row_index,column_index]

 

 

df.set_index('month')    

df.set_index(['year','month'])     

DataFrame.columns = [newName]

df['Hour'] = pd.to_datetime(df['report_date'])

df.rename(index = str,column = new_names)

 

删除列：

#通过特征选取
data = data[['age']]

#通过del 关键字
del  data['name']

#通过drop函数
data.drop(['name'],axis=1, inplace=True)

#通过pop
data.pop('name')

 

df = pd.read_csv(INPUTFILE, encoding = "utf-8")

df_bio = pd.read_csv(INPUTFILE, encoding = "utf-8", header=None) # header=None, header=0

 

显示前几行

df.head()

显示后几行

df.tail()

 

删除重复的数据
isDuplicated=df.duplicated() #判断重复数据记录
print(isDuplicated)
0    False
1    False
2     True
3    False
dtype: bool

#删除重复的数据
print(df.drop_duplicates()) #删除所有列值相同的记录，index为2的记录行被删除
  col1  col2
0    a     3
1    b     2
3    c     2

print(df.drop_duplicates(['col1'])) #删除col1列值相同的记录，index为2的记录行被删除
  col1  col2
0    a     3
1    b     2
3    c     2

print(df.drop_duplicates(['col2'])) #删除col2列值相同的记录，index为2和3的记录行被删除
  col1  col2
0    a     3
1    b     2

print(df.drop_duplicates(['col1','col2'])) #删除指定列（col1和col2）值相同的记录，index为2的记录行被删除
  col1  col2
0    a     3
1    b     2
3    c     2

df 某一列字母转大写小写
df['列名'] = df['列名'].str.upper()

df['列名'] = df['列名'].str.lower()

 

 

REF

https://www.cnblogs.com/aro7/p/9748202.html

https://www.cnblogs.com/hankleo/p/11462532.html

今天关于从整个Python Pandas Dataframe删除美元符号和python dataframe删除指定行的讲解已经结束，谢谢您的阅读，如果想了解更多关于Python 处理 Pandas DataFrame 中的行和列、python dataframe删除指定的行、Python Pandas -- DataFrame、Python pandas dataframe的相关知识，请在本站搜索。

本文标签：

上一篇dedeCMS缩略图变成/www/wwwroot/这样的链接格式的解决教程（dedecms怎么改图片）

下一篇Kivy'NoneType'对象没有属性'ids'（此对象没有属性）

相关文章