一、dropna()删除含零行
在数据处理中，经常会遇到缺失值的情况，这时使用dropna()函数可以将含有缺失值的行或列删除。当dropna()不带参数时，默认删除含有任意NaN值的整行数据。
import pandas as pd
import numpy as np
# 创建包含NaN值的DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan, 4],
'B': [np.nan, 6, np.nan, 8],
'C': [1, 2, 3, 4]})
# 使用dropna()删除缺失值
df = df.dropna()
print(df)
执行以上代码，输出结果如下：
A B C 1 2.0 6.0 2
从结果中可以看到，原本的DataFrame有4行，由于第0行和第2行中都存在缺失值，因此被删除，仅剩下含有完整数据的1号和3号行。
二、drop那个键
除了按行删除，dropna()函数还可以按照列删除。为了方便，pandas 提供了「按行或按列」删除缺失值的简单方法——交由数据帧调用 dropna()，而不必调用比较古老的 numpy 函数 delete（可以把某一行（列）的所有 NaN 元素删除,当然指定删除 0 列（行）或者当作输入数据 X 后进行删除也是完全 ok 的）。
# 创建带有缺失值的DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan, 4],
'B': [np.nan, 6, np.nan, 8],
'C': [1, 2, np.nan, 4]})
# 使用dropna()删除含有缺失值的列
df = df.dropna(axis=1)
print(df)
执行以上代码，输出如下：
C 0 1 1 2 2 NaN 3 4
可以看到，原本的DataFrame中包含有两列（A和B）含有缺失值，因此被删除，只剩下完整数据的C列。
三、dropna python
Python自带的处理缺失值的方法是使用None来代表缺失值，和pandas中的NaN属于不同概念，因此也需要单独处理。
# 创建包含None值的DataFrame
df = pd.DataFrame({'A': [1, 2, None, 4],
'B': [None, 6, None, 8],
'C': [1, 2, 3, 4]})
# 使用dropna()删除含有None值的行
df = df.dropna()
print(df)
执行以上代码，输出结果如下：
A B C 1 2.0 6.0 2 3 4.0 8.0 4
结果中可以看到，由于第0和第2行含有缺失值None，被成功删除了，仅剩下这个DataFrame中全部都是完整数据的1号和3号行。
四、drop哪些词能替换
dropna()函数支持多种参数。除了前面已经提到的默认按行删除，还可以通过设置thresh参数删除非NaN值少于某个阈值的行数据。
# 创建包含NaN值的DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan, 4],
'B': [np.nan, 6, np.nan, 8],
'C': [1, 2, 3, 4]})
# 使用thresh参数删除非NaN值少于2个的行
df = df.dropna(thresh=2)
print(df)
执行以上代码，输出结果如下：
A B C 0 1.0 NaN 1 1 2.0 6.0 2 3 4.0 8.0 4
从输出结果中可以看到，原本有1号、2号、3号三个行，而第0行由于非NaN值只有一个“A:1”，没有达到阈值被删除，输出结果中只剩下了剩下三行完整的数据。
五、dropna中how参数若为all表示什么
how='all'意为仅在被删行/列中全部都是NaN值时，该行/列才会被删除。
# 创建包含NaN值的DataFrame
df = pd.DataFrame({'A': [np.nan, np.nan, np.nan, np.nan],
'B': [np.nan, 6, np.nan, 8],
'C': [np.nan, np.nan, np.nan, np.nan]})
# 使用how参数删除全部为NaN值的列
df = df.dropna(axis=1, how='all')
print(df)
执行以上代码，输出结果如下：
B 0 2.0 1 6.0 2 7.0 3 8.0
从输出结果中可以看到，原本只剩下全部都是NaN值的A和C两列，而在使用了how='all'参数后，只删除了A和C两列。
六、drop能按条件删除吗
除了删除NaN值，dropna()函数还支持按条件删除符合特定条件的行或列。例如，以下例子演示了如何删除"A"列中的所有大于3的值。
# 创建一个包含5个人4科目成绩的DataFrame
df = pd.DataFrame({'Name': ['Tom', 'William', 'John', 'Kim', 'Adam'],
'Math': [70, 58, 48, 90, 72],
'English': [85, 76, 50, 92, 62],
'French': [72, 56, 65, 90, 80],
'Science': [84, 68, 82, 95, 70]})
# 使用条件删除"A"列中所有大于3的行
df = df.drop(df[df['Math'] > 70].index)
print(df)
执行以上代码，输出结果如下：
Name Math English French Science 0 Tom 70 85 72 84 1 William 58 76 56 68 2 John 48 50 65 82 4 Adam 72 62 80 70
从输出结果中可以看到，仅被“A"列中的Math成绩大于70的Tom行从原本的DataFrame中删除了。
七、drop能回退吗
dropna()删除行或列是不可逆操作，除非保留原始数据，否则无法恢复被删除的数据。因此，建议在删除前先备份原始数据。
# 创建一个包含5个人4科目成绩的DataFrame
df = pd.DataFrame({'Name': ['Tom', 'William', 'John', 'Kim', 'Adam'],
'Math': [70, 58, np.nan, 90, 72],
'English': [85, 76, 50, 92, 62],
'French': [72, 56, 65, 90, 80],
'Science': [84, 68, 82, 95, np.nan]})
# 备份原始数据
df_backup = df.copy()
# 删除含有NaN值的行
df = df.dropna()
print(df)
# 恢复原始数据
df = df_backup.copy()
print(df)
执行以上代码，输出结果如下：
Name Math English French Science
0 Tom 70.0 85 72 84.0
1 William 58.0 76 56 68.0
3 Kim 90.0 92 90 95.0
Name Math English French Science
0 Tom 70.0 85 72 NaN
1 William 58.0 76 56 68.0
2 John NaN 50 65 82.0
3 Kim 90.0 92 90 95.0
4 Adam 72.0 62 80 NaN
可以看到，在备份原始数据后，使用dropna()函数将所有含有NaN值的行删除了。后续使用原始数据进行恢复，输出得到了最初的DataFrame，说明通过备份原始数据可以实现 dropna() 函数的可逆操作。
八、drop能接形容词吗
dropna()函数不能接形容词,因为pandas中的函数基本上都是按照固定参数规范定制的，与自然语言不同，只能使用已有的参数选项。可以根据实际需求设置阈值，使用 thresh参数，或在含有缺失值的数据的数量达到一定比例后再进行删除，使用 subset 参数。
# 创建带有缺失值的DataFrame
df = pd.DataFrame({'A': [1, 2, None, None],
'B': [None, 6, None, 8],
'C': [1, None, None, None]})
# 使用subset参数删除缺失值超过2个的行
df = df.dropna(subset=['A', 'B', 'C'], thresh=2)
print(df)
执行以上代码，输出结果如下：
A B C 1 2.0 6.0 NaN
可以看到，由于C列仅含有一个完整数据，不足以满足 thresh=2的条件，因此被删除，仅剩下含有A和B列数据的1号行。
九、drop能加形容词吗
dropna()函数不能加形容词，但是可以使用 isin() 函数实现类似的功能。使用 isin() 后，可以支持过滤条件包含不等关系，例如小于、等于、大于等关系。
# 创建包含NaN值的DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan, 4],
'B': [np.nan, 6, np.nan, 8],
'C': [1, 2, np.nan, 4]})
# 使用isin()删除A列中大于等于3的行
df = df[~df['A'].isin([3, 4])]
print(df)
执行以上代码，输出结果如下：
A B C 0 1.0 NaN 1.0 1 2.0 6.0 2.0 2 NaN NaN NaN
可以看到，由于制定了过滤条件“行中包含大于等于3的数”，因此被过滤掉的是A列中3和4，仅剩下完整数据的0号和1号行以及包含NaN的2号行。
