Khi xóa một cột trong DataFrame tôi sử dụng:

del df['column_name']

Và điều này làm việc tuyệt vời. Tại sao tôi không thể sử dụng những điều sau đây?

del df.column_name

Vì có thể truy cập cột / Sê-ri như df.column_name, tôi mong đợi nó hoạt động.

Như bạn đã đoán, cú pháp đúng là

del df['column_name']

Thật khó để thực hiện del df.column_namecông việc đơn giản là kết quả của các giới hạn cú pháp trong Python. del df[name]được dịch sang df.__delitem__(name)dưới vỏ bọc bởi Python.

Cách tốt nhất để làm điều này trong gấu trúc là sử dụng drop:

df = df.drop('column_name', 1)

nơi 1là trục số ( 0cho các hàng và 1các cột.)

Để xóa cột mà không phải gán lại, dfbạn có thể làm:

df.drop('column_name', axis=1, inplace=True)

Cuối cùng, để giảm theo số cột thay vì theo nhãn cột , hãy thử điều này để xóa, ví dụ: cột 1, 2 và 4:

df = df.drop(df.columns[[0, 1, 3]], axis=1)  # df.columns is zero-based pd.Index 

Cũng làm việc với cú pháp "văn bản" cho các cột:

df.drop(['column_nameA', 'column_nameB'], axis=1, inplace=True)

Sử dụng:

columns = ['Col1', 'Col2', ...]
df.drop(columns, inplace=True, axis=1)

Điều này sẽ xóa một hoặc nhiều cột tại chỗ. Lưu ý rằng inplace=Trueđã được thêm vào trong pandas v0.13 và sẽ không hoạt động trên các phiên bản cũ hơn. Bạn sẽ phải gán lại kết quả trong trường hợp đó:

df = df.drop(columns, axis=1)

Thả theo chỉ số

Xóa các cột đầu tiên, thứ hai và thứ tư:

df.drop(df.columns[[0,1,3]], axis=1, inplace=True)

Xóa cột đầu tiên:

df.drop(df.columns[[0]], axis=1, inplace=True)

Có một tham số tùy chọn inplaceđể dữ liệu gốc có thể được sửa đổi mà không cần tạo bản sao.

Xuất hiện

Chọn cột, thêm, xóa

Xóa cột column-name:

df.pop('column-name')

Ví dụ:

df = DataFrame.from_items([('A', [1, 2, 3]), ('B', [4, 5, 6]), ('C', [7,8, 9])], orient='index', columns=['one', 'two', 'three'])

print df:

   one  two  three
A    1    2      3
B    4    5      6
C    7    8      9

df.drop(df.columns[[0]], axis=1, inplace=True) print df:

   two  three
A    2      3
B    5      6
C    8      9

three = df.pop('three') print df:

   two
A    2
B    5
C    8

Câu hỏi thực tế được đặt ra, bị bỏ qua bởi hầu hết các câu trả lời ở đây là:

Tại sao tôi không thể sử dụng del df.column_name?

Đầu tiên chúng ta cần hiểu vấn đề, đòi hỏi chúng ta phải đi sâu vào các phương pháp ma thuật trăn .

Như Wes chỉ ra trong câu trả lời của mình del df['column']ánh xạ tới phương pháp ma thuật trăn df.__delitem__('column')được thực hiện trong gấu trúc để thả cột

Tuy nhiên, như được chỉ ra trong liên kết ở trên về phương pháp ma thuật trăn :

Trong thực tế, __del__hầu như không bao giờ nên được sử dụng vì các trường hợp bấp bênh mà theo đó nó được gọi là; sử dụng nó một cách thận trọng!

Bạn có thể lập luận rằng del df['column_name']không nên được sử dụng hoặc khuyến khích, và do đó del df.column_namethậm chí không nên được xem xét.

Tuy nhiên, về mặt lý thuyết, del df.column_namecó thể được implemeted để làm việc trong gấu trúc sử dụng các phương pháp kỳ diệu__delattr__ . Tuy nhiên, điều này không giới thiệu một số vấn đề nhất định, những vấn đề mà việc del df['column_name']triển khai đã có, nhưng ở mức độ thấp hơn.

Vấn đề mẫu

Điều gì xảy ra nếu tôi xác định một cột trong khung dữ liệu được gọi là "dtypes" hoặc "cột".

Sau đó giả sử tôi muốn xóa các cột này.

del df.dtypessẽ làm cho __delattr__phương thức bị lẫn lộn như thể nó sẽ xóa thuộc tính "dtypes" hoặc cột "dtypes".

Câu hỏi kiến ​​trúc đằng sau vấn đề này

1. Là một dataframe một tập hợp các cột ?
2. Là một dataframe một tập hợp các hàng ?
3. Là một cột một thuộc tính của một khung dữ liệu?

Gấu trúc trả lời:

1. Vâng, bằng mọi cách
2. Không, nhưng nếu bạn muốn nó được, bạn có thể sử dụng .ix, .lochoặc .ilocphương pháp.
3. Có lẽ, bạn có muốn đọc dữ liệu? Sau đó, có , trừ khi tên của thuộc tính đã được lấy bởi một thuộc tính khác thuộc về khung dữ liệu. Bạn có muốn sửa đổi dữ liệu? Vậy thì không .

TLDR;

Bạn không thể làm điều đó del df.column_namebởi vì gấu trúc có kiến ​​trúc khá phát triển cần được xem xét lại để loại bất đồng nhận thức này không xảy ra với người dùng.

Protip:

Đừng sử dụng df.column_name, Nó có thể đẹp, nhưng nó gây ra sự bất hòa về nhận thức

Zen of Python trích dẫn phù hợp ở đây:

Có nhiều cách để xóa một cột.

Nên có một-- và tốt nhất là chỉ có một cách rõ ràng để làm điều đó.

Cột đôi khi là thuộc tính nhưng đôi khi không.

Trường hợp đặc biệt không đủ đặc biệt để phá vỡ các quy tắc.

Có del df.dtypesxóa thuộc tính dtypes hoặc cột dtypes?

Trước sự mơ hồ, hãy từ chối sự cám dỗ để đoán.

Một bổ sung tốt đẹp là khả năng thả cột chỉ khi chúng tồn tại . Bằng cách này, bạn có thể bao quát nhiều trường hợp sử dụng hơn và nó sẽ chỉ thả các cột hiện có từ các nhãn được truyền cho nó:

Chỉ cần thêm lỗi = 'bỏ qua' , ví dụ:

df.drop(['col_name_1', 'col_name_2', ..., 'col_name_N'], inplace=True, axis=1, errors='ignore')

• Đây là điểm mới từ gấu trúc 0.16.1 trở đi. Tài liệu ở đây .

từ phiên bản 0.16.1 bạn có thể làm

df.drop(['column_name'], axis = 1, inplace = True, errors = 'ignore')

Đó là thực hành tốt để luôn luôn sử dụng []ký hiệu. Một lý do là ký hiệu thuộc tính ( df.column_name) không hoạt động đối với các chỉ số được đánh số:

In [1]: df = DataFrame([[1, 2, 3], [4, 5, 6]])

In [2]: df[1]
Out[2]:
0    2
1    5
Name: 1

In [3]: df.1
  File "<ipython-input-3-e4803c0d1066>", line 1
    df.1
       ^
SyntaxError: invalid syntax

Gấu trúc 0,21+ câu trả lời

Pandas phiên bản 0.21 đã thay đổi dropphương thức một chút để bao gồm cả tham số indexvà columnstham số để khớp với chữ ký của phương thức renamevà reindex.

df.drop(columns=['column_a', 'column_c'])

Cá nhân, tôi thích sử dụng axistham số để biểu thị các cột hoặc chỉ mục vì đó là tham số từ khóa chiếm ưu thế được sử dụng trong gần như tất cả các phương thức gấu trúc. Nhưng, bây giờ bạn có một số lựa chọn bổ sung trong phiên bản 0.21.

Trong gấu trúc 0.16.1+, bạn chỉ có thể thả các cột nếu chúng tồn tại trên mỗi giải pháp được đăng bởi @eiTanLaVi. Trước phiên bản đó, bạn có thể đạt được kết quả tương tự thông qua việc hiểu danh sách có điều kiện:

df.drop([col for col in ['col_name_1','col_name_2',...,'col_name_N'] if col in df], 
        axis=1, inplace=True)

TL; DR

Rất nhiều nỗ lực để tìm một giải pháp hiệu quả hơn một chút. Khó để biện minh cho sự phức tạp thêm vào trong khi hy sinh sự đơn giản củadf.drop(dlst, 1, errors='ignore')

df.reindex_axis(np.setdiff1d(df.columns.values, dlst), 1)

Lời nói đầu
Xóa một cột về mặt ngữ nghĩa giống như chọn các cột khác. Tôi sẽ chỉ ra một vài phương pháp bổ sung để xem xét.

Tôi cũng sẽ tập trung vào giải pháp chung là xóa nhiều cột cùng một lúc và cho phép thử xóa các cột không có mặt.

Sử dụng các giải pháp này là chung và sẽ làm việc cho trường hợp đơn giản là tốt.

Thiết lập
Xem xét pd.DataFrame dfvà danh sách để xóadlst

df = pd.DataFrame(dict(zip('ABCDEFGHIJ', range(1, 11))), range(3))
dlst = list('HIJKLM')

df

   A  B  C  D  E  F  G  H  I   J
0  1  2  3  4  5  6  7  8  9  10
1  1  2  3  4  5  6  7  8  9  10
2  1  2  3  4  5  6  7  8  9  10

dlst

['H', 'I', 'J', 'K', 'L', 'M']

Kết quả sẽ giống như:

df.drop(dlst, 1, errors='ignore')

   A  B  C  D  E  F  G
0  1  2  3  4  5  6  7
1  1  2  3  4  5  6  7
2  1  2  3  4  5  6  7

Vì tôi đánh đồng việc xóa một cột để chọn các cột khác, tôi sẽ chia nó thành hai loại:

1. Lựa chọn nhãn
2. Lựa chọn Boolean

Lựa chọn nhãn

Chúng tôi bắt đầu bằng cách sản xuất danh sách / mảng nhãn đại diện cho các cột chúng tôi muốn giữ và không có các cột chúng tôi muốn xóa.

1. df.columns.difference(dlst)

   Index(['A', 'B', 'C', 'D', 'E', 'F', 'G'], dtype='object')

2. np.setdiff1d(df.columns.values, dlst)

   array(['A', 'B', 'C', 'D', 'E', 'F', 'G'], dtype=object)

3. df.columns.drop(dlst, errors='ignore')

   Index(['A', 'B', 'C', 'D', 'E', 'F', 'G'], dtype='object')

4. list(set(df.columns.values.tolist()).difference(dlst))

   # does not preserve order
   ['E', 'D', 'B', 'F', 'G', 'A', 'C']

5. [x for x in df.columns.values.tolist() if x not in dlst]

   ['A', 'B', 'C', 'D', 'E', 'F', 'G']

   ---

Các cột từ Nhãn
Để so sánh quá trình lựa chọn, giả sử:

 cols = [x for x in df.columns.values.tolist() if x not in dlst]

Sau đó chúng ta có thể đánh giá

1. df.loc[:, cols]
2. df[cols]
3. df.reindex(columns=cols)
4. df.reindex_axis(cols, 1)

Mà tất cả đánh giá để:

   A  B  C  D  E  F  G
0  1  2  3  4  5  6  7
1  1  2  3  4  5  6  7
2  1  2  3  4  5  6  7

Lát Boolean

Chúng ta có thể xây dựng một mảng / danh sách các booleans để cắt

1. ~df.columns.isin(dlst)
2. ~np.in1d(df.columns.values, dlst)
3. [x not in dlst for x in df.columns.values.tolist()]
4. (df.columns.values[:, None] != dlst).all(1)

Cột từ Boolean
để so sánh

bools = [x not in dlst for x in df.columns.values.tolist()]

1. df.loc[: bools]

Mà tất cả đánh giá để:

   A  B  C  D  E  F  G
0  1  2  3  4  5  6  7
1  1  2  3  4  5  6  7
2  1  2  3  4  5  6  7

Thời gian mạnh mẽ

Chức năng

setdiff1d = lambda df, dlst: np.setdiff1d(df.columns.values, dlst)
difference = lambda df, dlst: df.columns.difference(dlst)
columndrop = lambda df, dlst: df.columns.drop(dlst, errors='ignore')
setdifflst = lambda df, dlst: list(set(df.columns.values.tolist()).difference(dlst))
comprehension = lambda df, dlst: [x for x in df.columns.values.tolist() if x not in dlst]

loc = lambda df, cols: df.loc[:, cols]
slc = lambda df, cols: df[cols]
ridx = lambda df, cols: df.reindex(columns=cols)
ridxa = lambda df, cols: df.reindex_axis(cols, 1)

isin = lambda df, dlst: ~df.columns.isin(dlst)
in1d = lambda df, dlst: ~np.in1d(df.columns.values, dlst)
comp = lambda df, dlst: [x not in dlst for x in df.columns.values.tolist()]
brod = lambda df, dlst: (df.columns.values[:, None] != dlst).all(1)

Kiểm tra

res1 = pd.DataFrame(
    index=pd.MultiIndex.from_product([
        'loc slc ridx ridxa'.split(),
        'setdiff1d difference columndrop setdifflst comprehension'.split(),
    ], names=['Select', 'Label']),
    columns=[10, 30, 100, 300, 1000],
    dtype=float
)

res2 = pd.DataFrame(
    index=pd.MultiIndex.from_product([
        'loc'.split(),
        'isin in1d comp brod'.split(),
    ], names=['Select', 'Label']),
    columns=[10, 30, 100, 300, 1000],
    dtype=float
)

res = res1.append(res2).sort_index()

dres = pd.Series(index=res.columns, name='drop')

for j in res.columns:
    dlst = list(range(j))
    cols = list(range(j // 2, j + j // 2))
    d = pd.DataFrame(1, range(10), cols)
    dres.at[j] = timeit('d.drop(dlst, 1, errors="ignore")', 'from __main__ import d, dlst', number=100)
    for s, l in res.index:
        stmt = '{}(d, {}(d, dlst))'.format(s, l)
        setp = 'from __main__ import d, dlst, {}, {}'.format(s, l)
        res.at[(s, l), j] = timeit(stmt, setp, number=100)

rs = res / dres

rs

                          10        30        100       300        1000
Select Label                                                           
loc    brod           0.747373  0.861979  0.891144  1.284235   3.872157
       columndrop     1.193983  1.292843  1.396841  1.484429   1.335733
       comp           0.802036  0.732326  1.149397  3.473283  25.565922
       comprehension  1.463503  1.568395  1.866441  4.421639  26.552276
       difference     1.413010  1.460863  1.587594  1.568571   1.569735
       in1d           0.818502  0.844374  0.994093  1.042360   1.076255
       isin           1.008874  0.879706  1.021712  1.001119   0.964327
       setdiff1d      1.352828  1.274061  1.483380  1.459986   1.466575
       setdifflst     1.233332  1.444521  1.714199  1.797241   1.876425
ridx   columndrop     0.903013  0.832814  0.949234  0.976366   0.982888
       comprehension  0.777445  0.827151  1.108028  3.473164  25.528879
       difference     1.086859  1.081396  1.293132  1.173044   1.237613
       setdiff1d      0.946009  0.873169  0.900185  0.908194   1.036124
       setdifflst     0.732964  0.823218  0.819748  0.990315   1.050910
ridxa  columndrop     0.835254  0.774701  0.907105  0.908006   0.932754
       comprehension  0.697749  0.762556  1.215225  3.510226  25.041832
       difference     1.055099  1.010208  1.122005  1.119575   1.383065
       setdiff1d      0.760716  0.725386  0.849949  0.879425   0.946460
       setdifflst     0.710008  0.668108  0.778060  0.871766   0.939537
slc    columndrop     1.268191  1.521264  2.646687  1.919423   1.981091
       comprehension  0.856893  0.870365  1.290730  3.564219  26.208937
       difference     1.470095  1.747211  2.886581  2.254690   2.050536
       setdiff1d      1.098427  1.133476  1.466029  2.045965   3.123452
       setdifflst     0.833700  0.846652  1.013061  1.110352   1.287831

fig, axes = plt.subplots(2, 2, figsize=(8, 6), sharey=True)
for i, (n, g) in enumerate([(n, g.xs(n)) for n, g in rs.groupby('Select')]):
    ax = axes[i // 2, i % 2]
    g.plot.bar(ax=ax, title=n)
    ax.legend_.remove()
fig.tight_layout()

Điều này liên quan đến thời gian cần thiết để chạy df.drop(dlst, 1, errors='ignore'). Có vẻ như sau tất cả nỗ lực đó, chúng tôi chỉ cải thiện hiệu suất một cách khiêm tốn.

Nếu thực tế các giải pháp tốt nhất sử dụng reindexhoặc reindex_axistrên hack list(set(df.columns.values.tolist()).difference(dlst)). Một thứ hai gần và vẫn còn rất tốt hơn droplà np.setdiff1d.

rs.idxmin().pipe(
    lambda x: pd.DataFrame(
        dict(idx=x.values, val=rs.lookup(x.values, x.index)),
        x.index
    )
)

                      idx       val
10     (ridx, setdifflst)  0.653431
30    (ridxa, setdifflst)  0.746143
100   (ridxa, setdifflst)  0.816207
300    (ridx, setdifflst)  0.780157
1000  (ridxa, setdifflst)  0.861622

Cú pháp dấu chấm hoạt động trong JavaScript, nhưng không phải bằng Python.

• Con trăn del df['column_name']
• JavaScript: del df['column_name'] hoặc del df.column_name

Nếu khung dữ liệu ban đầu của bạn dfkhông quá lớn, bạn không bị hạn chế về bộ nhớ và bạn chỉ cần giữ một vài cột thì bạn cũng có thể tạo một khung dữ liệu mới chỉ với các cột bạn cần:

new_df = df[['spam', 'sausage']]

Chúng ta có thể Xóa hoặc Xóa một cột được chỉ định hoặc các cột được chỉ định bằng phương thức drop () .

Giả sử df là một khung dữ liệu.

Cột cần xóa = cột0

Mã số:

df = df.drop(column0, axis=1)

Để xóa nhiều cột col1, col2 ,. . . , coln, chúng ta phải chèn tất cả các cột cần xóa trong danh sách. Sau đó loại bỏ chúng bằng phương thức drop ().

Mã số:

df = df.drop([col1, col2, . . . , coln], axis=1)

Tôi hy vọng nó sẽ hữu ích.

Một cách khác để xóa một cột trong Pandas DataFrame

nếu bạn không tìm cách xóa In-Place thì bạn có thể tạo DataFrame mới bằng cách chỉ định các cột bằng DataFrame(...)hàm như

my_dict = { 'name' : ['a','b','c','d'], 'age' : [10,20,25,22], 'designation' : ['CEO', 'VP', 'MD', 'CEO']}

df = pd.DataFrame(my_dict)

Tạo một DataFrame mới như

newdf = pd.DataFrame(df, columns=['name', 'age'])

Bạn nhận được một kết quả tốt như những gì bạn nhận được với del / drop