pandas主要有三個用來刪除的函數(shù)，.drop()、.drop_duplicates()、.dropna()。總結(jié)如下

• .drop()刪除行、列
• .drop_duplicates()刪除重復(fù)數(shù)據(jù)
• .dropna()刪除空值（所在行、列）

為避免篇幅太長，將其分為兩部分，不想看參數(shù)介紹的可以直接看實例。
本篇介紹.drop()
官方介紹：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.drop.html#pandas.DataFrame.drop

            
              DataFrame.drop(labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise')[source]
Drop specified labels from rows or columns.

Remove rows or columns by specifying label names and corresponding axis, or by specifying directly index or column names. When using a multi-index, labels on different levels can be removed by specifying the level.

Parameters:	
	labels : single label or list-like
	Index or column labels to drop.

axis : {0 or ‘index’, 1 or ‘columns’}, default 0
	Whether to drop labels from the index (0 or ‘index’) or columns (1 or ‘columns’).

index, columns : single label or list-like
	Alternative to specifying axis (labels, axis=1 is equivalent to columns=labels).

level : int or level name, optional
	For MultiIndex, level from which the labels will be removed.

inplace : bool, default False
	If True, do operation inplace and return None.

errors : {‘ignore’, ‘raise’}, default ‘raise’
	If ‘ignore’, suppress error and only existing labels are dropped.

            
          

官方的介紹已經(jīng)很詳細了，這里做一個總結(jié)和實例的補充。
drop()功能：從行或列中刪除指定的標簽。
方法：通過指定標簽名和對應(yīng)的軸，或者直接指定索引名或列名，刪除行或列。使用多索引時，可以通過指定級別刪除不同級別的標簽。

下面用人話解釋一下：該函數(shù)可以刪除指定的行或列，指定方式可以用數(shù)字索引也可以用自定義的索引。同時也可以刪除多索引中不同級別的行或列（多索引后面會有例子，類似于word中的多級標題，drop可以刪除指定級別標題下的某一行）

DataFrame.drop(labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors=‘raise’)

• 參數(shù)介紹：

labels: 指定刪除的行或列

axis: 0 表示行，1表示列。
Whether to drop labels from the index (0 or ‘index’) or columns (1 or ‘columns’).

index, columns: 選定所需要刪除的行或列（可以是單獨的行或列，也可以用數(shù)組表示多個行或列）
這兩個參數(shù)與前兩個有些重復(fù)
當(dāng)使用整數(shù)標簽（即0, 1, 2, …)指定labels時，axis=0則刪除行；axis=1則刪除列。
當(dāng)使用自定義標簽指定labels時，則直接刪除指定的行或列。

level: 用于多級索引，刪除指定等級的索引行或列，可以填索引等級或者直接填寫索引名稱。

inplace: 是否保留原數(shù)據(jù)。
True則表示不改變原數(shù)據(jù)，并將刪除后的結(jié)果重新創(chuàng)建一個dataframe
False則直接改變原數(shù)據(jù)

• 代碼實例
  先創(chuàng)建一個df

            
              import pandas as pd

df = pd.DataFrame({'age': [10, 11, 12], 
                    'name': ['tim', 'TOm', 'rose'], 
                    'income': [100, 200, 300]},
                    index = ['person1', 'person2', 'person3'])
print(df)

輸出為：
         age  name  income
person1   10   tim     100
person2   11   TOm     200
person3   12  rose     300

            
          

接下來開始刪除

            
              #刪除行(axis默認0，可直接選定指定行)
df.drop('person1')
df.drop(['person1', 'person3'])
print(df)

#刪除列（需要用columns或者axis=1）
df.drop('income', axis=1)#labels和axis組合
df.drop(columns=['age', 'income'])#columns參數(shù)
df.drop(df.columns[[0, 2]], axis=1)
print(df)

#inplace
#默認為False，刪除指令不對原數(shù)據(jù)進行，可以將刪除后的結(jié)果保存在新變量中
#當(dāng)改為Ture，刪除指令直接對原數(shù)據(jù)進行
df.drop('person1', inplace=True)

            
          

多索引
drop（）也可以對多索引進行操作，level參數(shù)可以規(guī)定刪除的索引等級。
level指定索引等級，等級與規(guī)定的行或列名稱必須一致，否則雖然不會報錯，但是不會進行任何操作。
我猜這是為了避免一級和二級索引之間有重名誤刪。

            
              midx = pd.MultiIndex(levels=[['lama', 'cow', 'falcon'],
                             ['speed', 'weight', 'length']],
                      codes=[[0, 0, 0, 1, 1, 1, 2, 2, 2],
                             [0, 1, 2, 0, 1, 2, 0, 1, 2]])
df1 = pd.DataFrame(index=midx, columns=['big', 'small'],
                  data=[[45, 30], [200, 100], [1.5, 1], [30, 20],
                        [250, 150], [1.5, 0.8], [320, 250],
                        [1, 0.8], [0.3,0.2]])
print(df1)

#刪除行或列
df1.drop('cow')
df1.drop('big', axis=1)
df1.drop(index='cow', columns='big')

#level的用法
df1.drop('speed', level=1)#刪除所有的'speed'行
Out[69]: 
                 big  small
lama   weight  200.0  100.0
       length    1.5    1.0
cow    weight  250.0  150.0
       length    1.5    0.8
falcon weight    1.0    0.8
       length    0.3    0.2
       
df1.drop('speed', level=0)#等級不匹配，不會報錯，但是沒有進行任何操作。
Out[70]: 
                 big  small
lama   speed    45.0   30.0
       weight  200.0  100.0
       length    1.5    1.0
cow    speed    30.0   20.0
       weight  250.0  150.0
       length    1.5    0.8
falcon speed   320.0  250.0
       weight    1.0    0.8
       length    0.3    0.2