请使用代码详细解释一下pandas drop方法

当我们使用Pandas进行数据处理时，经常需要对DataFrame中的某些行或列进行删除操作。这时可以使用DataFrame的drop方法。

具体来说，drop方法的用法如下：

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

参数说明：
- labels：要删除的行或列的名称或编号，可以是单个名称/编号，也可以是一个名称/编号列表。
- axis：指定要删除的是行还是列，0表示删除行，1表示删除列，默认值为0。
- index、columns：这两个参数与labels相似，可以稍微简化一些的写法，分别表示要删除的行或列的名称或编号。
- level：仅在DataFrame包含多层索引时使用，表示要删除的索引所在的层级。
- inplace：是否在原DataFrame中进行修改，如果为True，则不会返回新的DataFrame，而是直接修改原DataFrame并返回None。
- errors：指定报错的行为，raise表示出现错误时抛出异常，ignore表示忽略错误，不执行删除操作。

例如，假设我们有一个DataFrame df：

import pandas as pd

data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'Dave'],
    'Score': [80, 70, 90, 75],
    'C1': ['Red', 'Blue', 'Green', 'Green'],
    'C2': ['A', 'B', 'C', 'B']
}

df = pd.DataFrame(data)

现在我们想删除Name列和C1行，可以使用drop方法：

df = df.drop(labels=['Name'], axis=1)
df = df.drop(index=[2])

它的作用是分别删除了Name列和第3行（即索引为2的行）。注意，这里我们用了链式赋值的写法，即将结果重新赋值给了df，这样就可以连续进行多个操作。如果我们不想修改原DataFrame，可以设置inplace参数为False：

new_df = df.drop(labels=['Name'], axis=1, inplace=False)
new_df = new_df.drop(index=[2], inplace=False)

这样产生的new_df就是新的DataFrame，而原来的df并没有被修改。