详解pandas如何去掉、过滤数据集中的某些值或者某些行？

当我们分析数据时，有时候会需要去掉不需要的数据或者行，Pandas提供了几种方法实现这种需求。

1. 使用dropna函数去掉缺失数据

dropna函数可以用来去除含有缺失值NAN的行或者列，它的使用方法如下：

import pandas as pd
#创建一个包含一些缺失值的DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan, 4], 'B': [5, np.nan, np.nan, 8], 'C': [1, 2, 3, 4]})
print(df)
#去掉行中存在空值的行
df.dropna(axis = 0, inplace = True)
print(df)

输出结果：

     A    B  C
0  1.0  5.0  1
1  2.0  NaN  2
2  NaN  NaN  3
3  4.0  8.0  4

     A    B  C
0  1.0  5.0  1
3  4.0  8.0  4

可以看到，使用dropna函数时，需要指定删除的轴方向，axis=0表示删除行，axis=1表示删除列。inplace参数表示是否在原数据上修改，如果设为True，则会直接在原数据上修改，否则会返回一个新的DataFrame对象。

2. 使用Boolean Indexing过滤数据

Boolean Indexing是一种通过条件语句来选择数据的方法，可以用来过滤掉数据集中的不需要的数据，例如：

import pandas as pd
#创建一个DataFrame对象
data = {'A': [1, 2, 3, 4], 'B': [5, 6, 7, 8]}
df = pd.DataFrame(data)
print(df)
#使用布尔索引过滤数据
df = df[df['A'] != 3]
print(df)

输出结果：

   A  B
0  1  5
1  2  6
2  3  7
3  4  8

   A  B
0  1  5
1  2  6
3  4  8

可以看到，当使用Boolean Indexing时，可以使用条件语句来过滤数据，返回满足条件的数据。本例中，通过df['A'] != 3的条件语句，过滤掉了A列中等于3的行。

3. 使用isin函数来过滤数据

在实际运用中，有时需要通过一些特定的值来过滤数据，例如使用isin函数：

import pandas as pd
#创建一个DataFrame对象
data = {'A': ['a', 'b', 'c', 'd'], 'B': [1, 2, 3, 4]}
df = pd.DataFrame(data)
print(df)
#使用isin函数过滤数据
df = df[df['A'].isin(['a', 'c'])]
print(df)

输出结果：

   A  B
0  a  1
1  b  2
2  c  3
3  d  4

   A  B
0  a  1
2  c  3

可以看到，isin函数可以传入一个列表，返回列表中包含的数据。 在本例中，我们可以看到，满足A列中值为a或c的行被保留下来。

综上所述，dropna函数、Boolean Indexing以及isin函数等，都是常用的去掉或过滤数据集中的某些值或者某些行的方法，提高数据分析的效率。