刪除表中的某一行或者某一列更明智的方法是使用drop，它不改變原有的df中的資料，而是返回另一個dataframe來存放刪除後的資料。本文出處主要來源於必備工具書《利用python進行資料分析》。

—————————————————————————————————————————————————————

清理無效資料

df[df.isnull()]  #返回的是個true或false的Series物件（掩碼物件），進而篩選出我們需要的特定資料。
df[df.notnull()]

df.dropna()     #將所有含有nan項的row刪除
df.dropna(axis=1,thresh=3
 
)  #將在列的方向上三個為NaN的項刪除
df.dropna(how='ALL')        #將全部項都是nan的row刪除

此處：print data.dropna() 和 print data[data.notnull()] 結果一樣

填充無效值

df.fillna(0)
df.fillna({1:0, 2:0.5})         #對第一列nan值賦0，第二列賦值0.5
df.fillna(method='ffill')   #在列方向上以前一個值作為值賦給NaN

drop函式的使用

（1）drop函式的使用：刪除行、刪除列

print frame.drop
 
(['a'])
print frame.drop(['Ohio'], axis = 1)

drop函式預設刪除行，列需要加axis = 1

（2）drop函式的使用：inplace引數

採用drop方法，有下面三種等價的表示式：

1. DF= DF.drop('column_name', axis=1)；
2. DF.drop('column_name',axis=1, inplace=True)
3. DF.drop([DF.columns[[0,1, 3]]], axis=1, inplace=True)   # Note: zero indexed

注意：凡是會對原陣列作出修改並返回一個新陣列的，往往都有一個 inplace可選引數。如果手動設定為True（預設為False），那麼原陣列直接就被替換。也就是說，採用inplace=True之後，原陣列名（如2和3情況所示）對應的記憶體值直接改變；

而採用inplace=False之後，原陣列名對應的記憶體值並不改變，需要將新的結果賦給一個新的陣列或者覆蓋原陣列的記憶體位置（如1情況所示）。

（3）drop函式的使用：資料型別轉換

df['Name'] = df['Name'].astype(np.datetime64)

DataFrame.astype() 方法可對整個DataFrame或某一列進行資料格式轉換，支援Python和NumPy的資料型別。