在进行特征工程、划分数据集的工作中，drop()函数都能派上用场。它可以轻松剔除数据、操作列和操作行等。
drop()详细的语法如下：
删除行是index，删除列是columns：
DataFrame.drop(labels=None, axis=0, index=None, columns=None, inplace=False)参数：
labels：要删除的行或列的标签，可以是单个标签，也可以是标签列表。
axis：要删除的行或列的轴，0表示行，1表示列。
index：要删除的行的索引，可以是单个索引，也可以是索引列表。
columns：要删除的列的列名，可以是单个列名，也可以是列名列表。
inplace：是否在原DataFrame上进行操作，默认为False，即不在原DataFrame上进行操作。
删除列
使用场景1：删除不需要的特征。
例如：有些特征对结果的影响不大，就可以把与因变量不相关的自变量删掉；为了避免多重共线性，要把有强相关关系的自变量删掉。
df = data.drop(data[['RowNumber','CustomerId','Surname']],axis=1)
df代码讲解：
data是数据集，两个中括号代表DataFrame格式，里面筛选了3个要删除的字段；
axis=1代表操作列；
运行结果：
使用场景2：把因变量删掉
# 自变量、因变量
x_data = df.drop(['Exited'],axis=1)
y_data = df['Exited']
x_data代码讲解：
drop()函数里面填写要删除的字段，表示从df中删除名为“Exited”的列；
['Exited']这一个字段是我们要剔除的因变量，单个字段可以这样表示；
运行结果：
删除行
使用场景3：在划分数据集的时候，生成了训练集，把被分到训练集的样本剔除掉，剩下的就是测试集了。
#划分训练集
train_data = data.sample(frac = 0.8, random_state = 0)
#测试集
test_data = data.drop(train_data.index)代码讲解：
drop()函数里面填行索引可以删除掉行；
train_data是我们划分好的训练集，train_data.index表示行索引；
axis=0，表示的是删除行，也可以不写，是默认值；
到此这篇关于Python drop()删除行列的文章就介绍到这了,更多相关Python drop()删除行列内容请搜索编程网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编程网！
