Para eliminar una columna en un DataFrame, puedo usar con éxito:

del df['column_name']

Pero, ¿por qué no puedo usar lo siguiente?

del df.column_name

Dado que es posible acceder a la columna/Serie como df.column_nameesperaba que esto funcionara.

La mejor manera de hacer esto en Pandas es usar drop:

df = df.drop('column_name', axis=1)

donde 1 es el eje número (0 para filas y 1 para columnas).

Para eliminar la columna sin tener que reasignar df tu puedes hacer:

df.drop('column_name', axis=1, inplace=True)

Finalmente, para bajar por columna número en lugar de por columna etiquetaintente esto para eliminar, por ejemplo, las columnas 1, 2 y 4:

df = df.drop(df.columns[[0, 1, 3]], axis=1)  # df.columns is zero-based pd.Index

También trabajando con la sintaxis de “texto” para las columnas:

df.drop(['column_nameA', 'column_nameB'], axis=1, inplace=True)

Nota: Introducido en v0.21.0 (27 de octubre de 2017), el drop() El método acepta palabras clave de índice/columnas como alternativa a la especificación del eje.

Así que ahora podemos simplemente hacer:

df = df.drop(columns=['column_nameA', 'column_nameB'])

Como habrás adivinado, la sintaxis correcta es

del df['column_name']

es dificil de hacer del df.column_name funcionan simplemente como resultado de las limitaciones sintácticas en Python. del df[name] se traduce a df.__delitem__(name) bajo las sábanas por Python.

Utilizar:

columns = ['Col1', 'Col2', ...]
df.drop(columns, inplace=True, axis=1)

Esto eliminará una o más columnas en el lugar. Tenga en cuenta que inplace=True se agregó en pandas v0.13 y no funcionará en versiones anteriores. Tendrías que asignar el resultado de nuevo en ese caso:

df = df.drop(columns, axis=1)

Caer por índice

Suprímanse las columnas primera, segunda y cuarta:

df.drop(df.columns[[0,1,3]], axis=1, inplace=True)

Eliminar primera columna:

df.drop(df.columns[[0]], axis=1, inplace=True)

Hay un parámetro opcional. inplace para que los datos originales se puedan modificar sin crear una copia.

reventado

Selección de columna, adición, eliminación

Eliminar columna column-name:

df.pop('column-name')

Ejemplos:

df = DataFrame.from_items([('A', [1, 2, 3]), ('B', [4, 5, 6]), ('C', [7,8, 9])], orient="index", columns=['one', 'two', 'three'])

print df:

   one  two  three
A    1    2      3
B    4    5      6
C    7    8      9

df.drop(df.columns[[0]], axis=1, inplace=True)
print df:

   two  three
A    2      3
B    5      6
C    8      9

three = df.pop('three')
print df:

   two
A    2
B    5
C    8

La pregunta real planteada, perdida por la mayoría de las respuestas aquí es:

¿Por qué no puedo usar del df.column_name?

Primero necesitamos entender el problema, lo que requiere que nos sumerjamos en Métodos mágicos de Python.

Como Wes señala en su respuesta, del df['column'] asigna a Python metodo magico df.__delitem__('column') cual es implementado en Pandas para soltar la columna.

Sin embargo, como se señaló en el enlace anterior sobre Métodos mágicos de Python:

De hecho, __del__ casi nunca debe usarse debido a las precarias circunstancias en las que se llama; ¡utilízalo con precaución!

Podrías argumentar que del df['column_name'] no debe ser utilizado o fomentado, y por lo tanto del df.column_name ni siquiera debe ser considerado.

Sin embargo, en teoría, del df.column_name podría implementarse para trabajar en Pandas usando la metodo magico __delattr__. Sin embargo, esto introduce ciertos problemas, problemas que el del df['column_name'] la implementación ya lo ha hecho, pero en menor grado.

Problema de ejemplo

¿Qué sucede si defino una columna en un marco de datos llamado “dtypes” o “columns”?

Luego suponga que quiero eliminar estas columnas.

del df.dtypes haría el __delattr__ método confundido como si debería eliminar el atributo “dtypes” o la columna “dtypes”.

Cuestiones arquitectónicas detrás de este problema

1. ¿Es un marco de datos una colección de columnas?
2. ¿Es un marco de datos una colección de filas?
3. ¿Es una columna un atributo de un marco de datos?

Pandas responde:

1. si, en todos los sentidos
2. No, pero si quieres que lo sea, puedes usar el .ix, .loc o .iloc métodos.
3. Tal vez, ¿quieres leer ¿datos? Después si, a menos que el nombre del atributo ya está ocupado por otro atributo que pertenece al marco de datos. Quieres modificar ¿datos? Después no.

TLDR;

Tú no puedes hacer del df.column_nameporque Pandas tiene una arquitectura bastante desarrollada que debe reconsiderarse para que este tipo de disonancia cognitiva que no se les ocurra a sus usuarios.

Consejo profesional:

No utilice df.column_name. Puede ser bonito, pero causa disonancia cognitiva.

Citas de Zen of Python que encajan aquí:

Hay varias formas de eliminar una columna.

Debe haber una, y preferiblemente solo una, forma obvia de hacerlo.

Las columnas a veces son atributos pero a veces no.

Los casos especiales no son lo suficientemente especiales como para romper las reglas.

Lo hace del df.dtypes eliminar el atributo dtypes o la columna dtypes?

Frente a la ambigüedad, rechace la tentación de adivinar.

Una buena adición es la capacidad de soltar columnas solo si existen. De esta manera, puede cubrir más casos de uso, y solo eliminará las columnas existentes de las etiquetas que se le pasaron:

Simplemente agregue errores=”ignorar”por ejemplo.:

df.drop(['col_name_1', 'col_name_2', ..., 'col_name_N'], inplace=True, axis=1, errors="ignore")

• Esto es nuevo desde pandas 0.16.1 en adelante. La documentación es aquí.

Desde la versión 0.16.1, puedes hacer

df.drop(['column_name'], axis = 1, inplace = True, errors="ignore")