删除表中的某一行或者某一列更明智的方法是使用drop，它不改变原有的df中的数据，而是返回另一个dataframe来存放删除后的数据。本文出处主要来源于必备工具书《利用python进行数据分析》。
1.清理无效数据df[df.isnull()]#返回的是个true或false的Series对象（掩码对象），进而筛选出我们需要的特定数据。df[df.notnull()]df.dropna()#将所有含有nan项的row删除df.dropna(axis=1,thresh=3)#将在列的方向上三个为NaN的项删除df.dropna(how='ALL')#将全部项都是nan的row删除
此处：printdata.dropna()和printdata[data.notnull()]结果一样
2.填充无效值df.fillna(0)df.fillna({1:0,2:0.5})#对第一列nan值赋0，第二列赋值0.5df.fillna(method='ffill')#在列方向上以前一个值作为值赋给NaN3.drop函数的具体使用案例
####（1）drop函数的使用：删除行、删除列
printframe.drop(['a'])printframe.drop(['Ohio'],axis=1)
drop函数默认删除行，列需要加axis=1
####（2）drop函数的使用：inplace参数采用drop方法，有下面三种等价的表达式：
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:zeroindexed
注意：凡是会对原数组作出修改并返回一个新数组的，往往都有一个inplace可选参数。如果手动设定为True（默认为False），那么原数组直接就被替换。也就是说，采用inplace=True之后，原数组名（如2和3情况所示）对应的内存值直接改变；
而采用inplace=False之后，原数组名对应的内存值并不改变，需要将新的结果赋给一个新的数组或者覆盖原数组的内存位置（如1情况所示）。
####（3）drop函数的使用：数据类型转换
df['Name']=df['Name'].astype(np.datetime64)
DataFrame.astype()方法可对整个DataFrame或某一列进行数据格式转换，支持Python和NumPy的数据类型。
