pandas 中的 drop 方法是很明智的数据清理的方法，它的好处在于：它不改变原有的 df 中的数据，而是返回另一个新的 Dataframe 来存放删除后的数据。
一、drop 的用法
import pandas as pd import numpy as np a = list(range(1, 11)) a_reshape = np.array(a).reshape(2, 5).T b = pd.Dataframe(a_reshape) print(b)1. df.drop([row_num], axis=0)：删除 Dataframe 某一行（如果不指定axis，那么默认axis=0）
c = b.drop(0, axis=0) print(c)2. df.drop([row_num], axis=1)：删除 Dataframe 某一列
d = b.drop(0, axis=1) print(d)
（参考：pandas Dataframe行或列的删除方法的实现示例）
二、python 中数据清理的常见方法 1. 删除无效项
（1）df[df.isnull()] 和 df[df.notnull()]：df.isnull() 和 df.notnull() 返回的是一个 true 或 false 的 Series对象，所以这种方式可以筛选出我们需要的特定数据。
（2）df.dropna()：将所有含有 nan 项的 row 删除（默认：axis=0） 。
（3）df.dropna(axis=1, thresh=3)：将在列方向上有三个为 nan 的列删除。
（4）df.dropna(how='ALL')：将全部项都是 nan 的 row 删除。
2. 填充空缺项（1）df.fillna(0)
（2）df.fillna({1:0, 2:0.5})：对第一列 nan 值赋0，第二列赋值 0.5；
（3）df.fillna(method='ffill')：在列方向上用前一个值赋值给 nan。
（参考：python进行数据清理之pandas中的drop用法）
Tips： 1. 注意：drop() 方法不改变原有的 df 数据！
b.drop(0, axis=1) print(b)
