Как удалить последнюю строку данных фрейма pandas

Ответ 1

Чтобы удалить последние n строк:

df.drop(df.tail(n).index,inplace=True) # drop last n rows

В том же ключе вы можете удалить первые n строк:

df.drop(df.head(n).index,inplace=True) # drop first n rows

Ответ 2

Поскольку позиционирование индекса в Python основано на 0, на самом деле не будет элемента в index в местоположении, соответствующем len(DF). Это вам нужно last_row = len(DF) - 1:

In [49]: dfrm
Out[49]: 
          A         B         C
0  0.120064  0.785538  0.465853
1  0.431655  0.436866  0.640136
2  0.445904  0.311565  0.934073
3  0.981609  0.695210  0.911697
4  0.008632  0.629269  0.226454
5  0.577577  0.467475  0.510031
6  0.580909  0.232846  0.271254
7  0.696596  0.362825  0.556433
8  0.738912  0.932779  0.029723
9  0.834706  0.002989  0.333436

[10 rows x 3 columns]

In [50]: dfrm.drop(dfrm.index[len(dfrm)-1])
Out[50]: 
          A         B         C
0  0.120064  0.785538  0.465853
1  0.431655  0.436866  0.640136
2  0.445904  0.311565  0.934073
3  0.981609  0.695210  0.911697
4  0.008632  0.629269  0.226454
5  0.577577  0.467475  0.510031
6  0.580909  0.232846  0.271254
7  0.696596  0.362825  0.556433
8  0.738912  0.932779  0.029723

[9 rows x 3 columns]

Однако гораздо проще просто написать DF[:-1].

Ответ 3

DF[:-n]

где n - это последнее число строк, которые нужно удалить.

Чтобы удалить последнюю строку:

DF = DF[:-1]

Ответ 4

stats = pd.read_csv("C:\\py\\programs\\second pandas\\ex.csv")

Вывод статистики:

       A            B          C
0   0.120064    0.785538    0.465853
1   0.431655    0.436866    0.640136
2   0.445904    0.311565    0.934073
3   0.981609    0.695210    0.911697
4   0.008632    0.629269    0.226454
5   0.577577    0.467475    0.510031
6   0.580909    0.232846    0.271254
7   0.696596    0.362825    0.556433
8   0.738912    0.932779    0.029723
9   0.834706    0.002989    0.333436

просто используйте skipfooter=1

skipfooter: int, default 0

Количество строк в нижней части файла, чтобы пропустить

stats_2 = pd.read_csv("C:\\py\\programs\\second pandas\\ex.csv", skipfooter=1, engine='python')

Вывод stats_2

       A          B            C
0   0.120064    0.785538    0.465853
1   0.431655    0.436866    0.640136
2   0.445904    0.311565    0.934073
3   0.981609    0.695210    0.911697
4   0.008632    0.629269    0.226454
5   0.577577    0.467475    0.510031
6   0.580909    0.232846    0.271254
7   0.696596    0.362825    0.556433
8   0.738912    0.932779    0.029723

Ответ 5

drop возвращает новый массив, поэтому он захлебнулся в сообщении og; У меня было похожее требование переименовать некоторые заголовки столбцов и удалить некоторые строки из-за плохо сформированного CSV файла, преобразованного в Dataframe, поэтому после прочтения этого поста я использовал:

newList = pd.DataFrame(newList)
newList.columns = ['Area', 'Price']
print(newList)
# newList = newList.drop(0)
# newList = newList.drop(len(newList))
newList = newList[1:-1]
print(newList)

и он работал отлично, как вы можете видеть с двумя закомментированными строками выше, я попробовал метод drop.(), и он работает, но не так kool и удобочитаем, как при использовании [n: -n], надеюсь, это кому-то поможет, спасибо.

Ответ 6

Удивлен, никто не поднял этот вопрос:

# To remove last n rows
df.head(-n)

# To remove first n rows
df.tail(-n)

Выполнение теста скорости в DataFrame из 1000 строк показывает, что нарезка и head/tail примерно в 6 раз быстрее, чем при использовании drop:

>>> %timeit df[:-1]
125 µs ± 132 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

>>> %timeit df.head(-1)
129 µs ± 1.18 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

>>> %timeit df.drop(df.tail(1).index)
751 µs ± 20.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)