要删除最后n行，请执行以下操作：

df.drop(df.tail(n).index,inplace=True) # drop last n rows

按照同样的思路，您可以删除前n行：

df.drop(df.head(n).index,inplace=True) # drop first n rows

DF[:-n]

其中n是要删除的最后行数。

要删除最后一行：

DF = DF[:-1]

由于Python中的索引定位是从0开始的，因此index中与len(DF)对应的位置实际上不会有元素。你需要它是last_row = len(DF) - 1：

In [49]: dfrm
Out[49]: 
          A         B         C
0  0.120064  0.785538  0.465853
1  0.431655  0.436866  0.640136
2  0.445904  0.311565  0.934073
3  0.981609  0.695210  0.911697
4  0.008632  0.629269  0.226454
5  0.577577  0.467475  0.510031
6  0.580909  0.232846  0.271254
7  0.696596  0.362825  0.556433
8  0.738912  0.932779  0.029723
9  0.834706  0.002989  0.333436

[10 rows x 3 columns]

In [50]: dfrm.drop(dfrm.index[len(dfrm)-1])
Out[50]: 
          A         B         C
0  0.120064  0.785538  0.465853
1  0.431655  0.436866  0.640136
2  0.445904  0.311565  0.934073
3  0.981609  0.695210  0.911697
4  0.008632  0.629269  0.226454
5  0.577577  0.467475  0.510031
6  0.580909  0.232846  0.271254
7  0.696596  0.362825  0.556433
8  0.738912  0.932779  0.029723

[9 rows x 3 columns]

但是，只编写DF[:-1]要简单得多。

令人惊讶的是，没有人提出这个问题：

# To remove last n rows

df.head(-n)

# To remove first n rows

df.tail(-n)

在1000行的DataFrame上运行速度测试表明，切片和head/tail比使用drop快约6倍：

>>> %timeit df[:-1]
125 µs ± 132 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

>>> %timeit df.head(-1)
129 µs ± 1.18 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

>>> %timeit df.drop(df.tail(1).index)
751 µs ± 20.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

只需使用索引

df.iloc[:-1,:]

这就是iloc存在的原因。你也可以用头或尾。

我发现的最好的解决方案不是(必然的？)执行完整复制是

df.drop(df.index[-1], inplace=True)

当然，您可以简单地省略inplace=True来创建一个新的 Dataframe ，也可以通过简单地获取df.index的片段(df.index[-N:]来删除最后N行)来轻松地删除最后N行。因此，这种方法不仅简洁，而且非常灵活。

stats = pd.read_csv("C:\py\programs\second pandas\ex.csv")

统计数据的输出：

A            B          C
0   0.120064    0.785538    0.465853
1   0.431655    0.436866    0.640136
2   0.445904    0.311565    0.934073
3   0.981609    0.695210    0.911697
4   0.008632    0.629269    0.226454
5   0.577577    0.467475    0.510031
6   0.580909    0.232846    0.271254
7   0.696596    0.362825    0.556433
8   0.738912    0.932779    0.029723
9   0.834706    0.002989    0.333436

只需使用skipfooter=1即可

Skipfooter：int，默认为0

文件底部要跳过的行数

stats_2 = pd.read_csv("C:\py\programs\second pandas\ex.csv", skipfooter=1, engine='python')

STATS_2输出

A          B            C
0   0.120064    0.785538    0.465853
1   0.431655    0.436866    0.640136
2   0.445904    0.311565    0.934073
3   0.981609    0.695210    0.911697
4   0.008632    0.629269    0.226454
5   0.577577    0.467475    0.510031
6   0.580909    0.232846    0.271254
7   0.696596    0.362825    0.556433
8   0.738912    0.932779    0.029723

Drop返回一个新数组，这就是它在og Post中阻塞的原因；由于格式错误的CSV文件转换为Dataframe，我有一个类似的要求重命名一些列标题并删除了一些行，所以在阅读这篇文章后，我使用了：

newList = pd.DataFrame(newList)
newList.columns = ['Area', 'Price']
print(newList)

# newList = newList.drop(0)

# newList = newList.drop(len(newList))

newList = newList[1:-1]
print(newList)

它工作得很好，正如您在上面的两行注解掉的代码中所看到的那样，我尝试了Drop.()方法，它工作得不像使用[n：-n]那么好，也不像使用[n：-n]那样易读，希望这能帮助某人，谢谢。

对于具有多索引的更复杂的DataFrame(比如“Stock”和“Date”)，并且希望删除每个Stock的最后一行，而不仅仅是最后Stock的最后一行，则解决方案如下：

# To remove last n rows

df = df.groupby(level='Stock').apply(lambda x: x.head(-1)).reset_index(0, drop=True)

# To remove first n rows

df = df.groupby(level='Stock').apply(lambda x: x.tail(-1)).reset_index(0, drop=True)

由于groupby()正在向多索引添加一个额外的级别，因此我们只需使用reset_index()将其删除。生成的DF保持与操作前相同类型的多索引。

你知道吗，你只需要在第一行给出-1，就像这样

last_row = len(DF) - 1
DF = DF.drop(DF.index[last_row])