删除pandas中产生Unnamed:0列的操作

我们在数据处理，往往不小心，pandas会“主动”加上行和列的名称，我现在就遇到了这个问题。

这个是pandas中to_csv生成的数据各种拼接之后的最终数据（默认参数，index=True,column=True）

Unnamed: 0   ip Unnamed: 0.1 ...  766  767 class
0   0 google.com    0 ... 0.376452 0.148091  0
1   1 facebook.com    1 ... -0.044634 -0.180167  0
2   2 youtube.com    2 ... 0.172028 0.002102  0
3   3  yahoo.com    3 ... 0.286067 -0.269647  0
4   4  baidu.com    4 ... 0.034892 0.445554  0

我们可以看到，第一列 Unnamed：0 ，第三列Unnamed：0，这两列是我们不想需要的数据，产生原因是我们在生成csv文件的时候，采用的是默认参数，我们可以在生成csv时候，可以使用下面参数解决这一个问题。

to_csv()时候，设置index=False。或者加上index=True, index_label="id"

另外有其他同学会说了，我不想重复的再进行一遍数据处理工作，我就想在我们生成这个CSV中处理，一样是可以的，事实是我也是这么做的。

import pandas as pd
data = pd.read_csv('finalData.csv')
print('一共有多少个样本呢？', len(data))
print('展示样本前4个数据')
print(data.head())
print('打印样本集的其他详细信息：')
print(data.info())
print('=============================开始处理：==============================')
newData = data.loc[:, ~data.columns.str.contains('^Unnamed')]
print(newData.head())
newData.to_csv('myVecData.csv', index=False)

别忘了index=False，不然又生成一列新的这个不讨人喜欢的东西了。列处理也是一样，有参数column=False，不再赘述。

最后效果：

=============================开始处理：==============================
    ip   0   1 ...  766  767 class
0 google.com 0.282674 -0.359200 ... 0.376452 0.148091  0
1 facebook.com 0.542586 -0.390693 ... -0.044634 -0.180167  0
2 youtube.com 0.598675 -0.679748 ... 0.172028 0.002102  0
3  yahoo.com 0.212740 -0.823602 ... 0.286067 -0.269647  0
4  baidu.com 0.017386 -0.355357 ... 0.034892 0.445554  0

补充：【pandas】pandas每次使用append追加行时都生成一个Unnamed列

pandas每次使用append追加行时多出一个Unnamed列！

解决办法：

追加行数据前，read_csv函数读取数据时， 增加 index_col 参数，指定哪一行为索引行。

如：

test = pd.read_csv(filename,index_col=0)

以上为个人经验，希望能给大家一个参考，也希望大家多多支持我们。如有错误或未考虑完全的地方，望不吝赐教。

赞 (0)

相关推荐

  • Python中pandas dataframe删除一行或一列:drop函数详解

    用法:DataFrame.drop(labels=None,axis=0, index=None, columns=None, inplace=False) 在这里默认:axis=0,指删除index,因此删除columns时要指定axis=1: inplace=False,默认该删除操作不改变原数据,而是返回一个执行删除操作后的新dataframe: inplace=True,则会直接在原数据上进行删除操作,删除后就回不来了. 例子: >>>df = pd.DataFrame(np.a

  • 详解pandas删除缺失数据(pd.dropna()方法)

    1.创建带有缺失值的数据库: import pandas as pd import numpy as np df = pd.DataFrame(np.random.randn(5, 3), index = list('abcde'), columns = ['one', 'two', 'three']) # 随机产生5行3列的数据 df.ix[1, :-1] = np.nan # 将指定数据定义为缺失 df.ix[1:-1, 2] = np.nan print('\ndf1') # 输出df1,

  • 修改Pandas的行或列的名字(重命名)

    pandas.DataFrame.rename 使用函数: DataFrame.rename(mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) 功能:更改轴标签 函数字典值必须是唯一的(1对1).未包含在 字典/Series  中的标签将保留原样.列出的额外标签不会引发错误. 参数: mapper, index, columns : dict-like or functi

  • 在pandas中一次性删除dataframe的多个列方法

    之前沉迷于使用index删除,然而发现pandas貌似有bug? import pandas as pd import numpy as np df = pd.DataFrame(np.arange(12).reshape(3,4), columns=['A', 'B', 'C', 'D']) x=[1,2] df.drop(index=[1,2], axis=1, inplace=True) #axis=1,试图指定列,然并卵 print df 输出为 A B C D 0 0 1 2 3 还是

  • 删除pandas中产生Unnamed:0列的操作

    我们在数据处理,往往不小心,pandas会"主动"加上行和列的名称,我现在就遇到了这个问题. 这个是pandas中to_csv生成的数据各种拼接之后的最终数据(默认参数,index=True,column=True) Unnamed: 0 ip Unnamed: 0.1 ... 766 767 class 0 0 google.com 0 ... 0.376452 0.148091 0 1 1 facebook.com 1 ... -0.044634 -0.180167 0 2 2 y

  • python pandas库中DataFrame对行和列的操作实例讲解

    用pandas中的DataFrame时选取行或列: import numpy as np import pandas as pd from pandas import Sereis, DataFrame ser = Series(np.arange(3.)) data = DataFrame(np.arange(16).reshape(4,4),index=list('abcd'),columns=list('wxyz')) data['w'] #选择表格中的'w'列,使用类字典属性,返回的是S

  • python中pandas库中DataFrame对行和列的操作使用方法示例

    用pandas中的DataFrame时选取行或列: import numpy as np import pandas as pd from pandas import Sereis, DataFrame ser = Series(np.arange(3.)) data = DataFrame(np.arange(16).reshape(4,4),index=list('abcd'),columns=list('wxyz')) data['w'] #选择表格中的'w'列,使用类字典属性,返回的是S

  • pandas中提取DataFrame某些列的一些方法

    目录 前言 方法一:df[columns] 方法二:df.loc[]:用 label (行名或列名)做索引. 方法三:df.iloc[]: i 表示 integer,用 integer location(行或列的整数位置,从0开始)做索引. 补充:提取所有列名中包含“线索”.“浏览”字段的列 参考: 总结 前言 在处理表格型数据时,一行数据是一个 sample,列就是待提取的特征.怎么选取其中的一些列呢?本文分享一些方法. 使用如下的数据作为例子: import pandas as pd dat

  • Pandas中根据条件替换列中的值的四种方式

    目录 方法1:使用dataframe.loc[]函数 方法2:使用NumPy.where()函数 方法3:使用pandas掩码函数 方法4:替换包含指定字符的字符串 方法1:使用dataframe.loc[]函数 通过这个方法,我们可以用一个条件或一个布尔数组来访问一组行或列.如果我们可以访问它,我们也可以操作它的值,是的!这是我们的第一个方法,通过pandas中的dataframe.loc[]函数,我们可以访问一个列并通过一个条件改变它的值. 语法:df.loc[ df["column_nam

  • pandas中按行或列的值对数据排序的实现

    目录 一. 按列的值对数据排序 1.按某一列的值对数据排序 2. 按多列的值对数据排序 3. key 参数:设置排序时的数据变换函数 4. 修改原数据 二. 按行的值对数据排序 参考 在处理表格型数据时,常会用到排序,比如,按某一行或列的值对表格排序,要怎么做呢? 这就要用到 pandas 中的 sort_values() 函数. 一. 按列的值对数据排序 先来看最常见的情况. 1.按某一列的值对数据排序 以下面的数据为例. import pandas as pd df_col = pd.Dat

  • Pandas中Series的属性,方法,常用操作使用案例

    Pandas中Series的属性,方法,常用操作使用案例

    目录 1. Series 对象的创建 1.1 创建一个空的 Series 对象 1.2 通过列表创建一个 Series 对象 1.3 通过元组创建一个 Series 对象 1.4 通过字典创建一个 Series 对象 1.5 通过 ndarray 创建一个 Series 对象 1.6 创建 Series 对象时指定索引 1.7 通过一个标量(数)创建一个 Series 对象 2. Series 的属性 2.1 values ---- 返回一个 ndarray 数组 2.2 index ----

  • Python Pandas 中的数据结构详解

    Python Pandas 中的数据结构详解

    目录 1.Series 1.1通过列表创建Series 1.2通过字典创建Series 2.DataFrame 3.索引对象 4.查看DataFrame的常用属性 前言: Pandas有三种数据结构:Series.DataFrame和Panel.Series类似于数组:DataFrame类似于表格:Panel可视为Excel的多表单Sheet 1.Series Series是一种一维数组对象,包含一个值序列,并且包含数据标签,称为索引(index),通过索引来访问数组中的数据. 1.1通过列表创

  • pandas中的DataFrame按指定顺序输出所有列的方法

    问题: 输出新建的DataFrame对象时,DataFrame中各列的显示顺序和DataFrame定义中的顺序不一致. 例如: import pandas as pd grades = [48,99,75,80,42,80,72,68,36,78] df = pd.DataFrame( {'ID': ["x%d" % r for r in range(10)], 'Gender' : ['F', 'M', 'F', 'M', 'F', 'M', 'F', 'M', 'M', 'M'],

随机推荐