dropna函数删除某列数据

或某行数据中含有缺失值的行或列，默认情况下，该函数会删除含有任何缺失值的行或列。

示例代码：

import pandas as pd

# 创建一个含有缺失值的DataFrame
df = pd.DataFrame({'A': [1, 2, None, 4], 'B': [5, 6, 7, None], 'C': [None, 9, 10, 11]})
print(df)

# 删除含有缺失值的行
df_dropna_row = df.dropna()
print(df_dropna_row)

# 删除含有缺失值的列
df_dropna_col = df.dropna(axis=1)
print(df_dropna_col)

输出结果：

     A    B     C
0  1.0  5.0   NaN
1  2.0  6.0   9.0
2  NaN  7.0  10.0
3  4.0  NaN  11.0

     A    B    C
1  2.0  6.0  9.0

Empty DataFrame
Columns: []
Index: [0, 1, 2, 3]

可以看出，通过 `dropna()` 函数删除了含有缺失值的行或列。其中， `axis` 参数用于指定删除行（`axis=0`）还是删除列（`axis=1`），默认为 `axis=0`。

相关问题

dropna函数会修改原始数据吗

默认情况下，dropna函数不会修改原始数据，而是返回一个新的数据副本，其中已删除了缺失值。如果您想要修改原始数据，可以将inplace参数设置为True，如下所示：

df.dropna(inplace=True)

这将从原始数据中删除缺失值，并将结果保存回原始数据。但是请注意，这样做可能会导致数据丢失，因此请谨慎使用。

使用dropna函数删除缺失值

在Python中使用pandas库进行数据分析时，可以使用dropna函数删除缺失值。

dropna函数可以删除包含缺失值的行或列。默认情况下，它会删除包含任何缺失值的行。可以通过设置参数来更改其行为。

下面是一个示例代码，用于删除包含缺失值的行：

import pandas as pd

# 创建包含缺失值的数据集
df = pd.DataFrame({'A': [1, 2, np.nan, 4],
                   'B': [5, np.nan, np.nan, 8],
                   'C': [9, 10, 11, 12]})

# 删除包含缺失值的行
df = df.dropna()

print(df)

输出结果如下：

     A    B   C
0  1.0  5.0   9
3  4.0  8.0  12

在这个例子中，包含缺失值的行2被删除了。

除了删除行，还可以删除列。下面的代码演示了如何删除包含缺失值的列：

# 删除包含缺失值的列
df = df.dropna(axis=1)

print(df)

输出结果如下：

    C
0   9
1  10
2  11
3  12

在这个例子中，列A和B被删除了。

除了默认行为外，还可以使用其他参数来更改dropna函数的行为。例如，可以使用thresh参数来指定每行最少需要多少个非缺失值才能保留该行。