这里有一个具体的例子，我想展示。假设在某些行中有许多重复的条目。如果您有字符串条目，您可以很容易地使用字符串方法找到要删除的所有索引。

ind_drop = df[df['column_of_strings'].apply(lambda x: x.startswith('Keyword'))].index

现在使用索引删除这些行

new_df = df.drop(ind_drop)

使用DataFrame。删除并传递一系列索引标签:

In [65]: df
Out[65]: 
       one  two
one      1    4
two      2    3
three    3    2
four     4    1
    
    
In [66]: df.drop(index=[1,3])
Out[66]: 
       one  two
one      1    4
three    3    2

正如Dennis Golomazov的回答所建议的，使用逐行删除。您可以选择保留行。假设您有一个要删除的行索引列表，名为indices_to_drop。您可以将其转换为掩码，操作如下:

mask = np.ones(len(df), bool)
mask[indices_to_drop] = False

你可以直接使用这个索引:

df_new = df.iloc[mask]

这个方法的好处是，掩码可以来自任何来源:它可以是一个包含许多列的条件，也可以是其他条件。

真正好的事情是，你根本不需要原始DataFrame的索引，所以索引是否唯一并不重要。

缺点当然是不能用这种方法进行就地放置。

如果DataFrame很大，并且要删除的行数也很大，那么通过索引df.drop(df.index[])简单地删除会花费太多时间。

在我的情况下，我有一个多索引的DataFrame的浮动100M行x 3 cols，我需要从它删除10k行。我发现的最快的方法是，完全违反直觉的，取剩下的行。

设indexes_to_drop为要删除的位置索引数组(问题中的[1,2,4])。

indexes_to_keep = set(range(df.shape[0])) - set(indexes_to_drop)
df_sliced = df.take(list(indexes_to_keep))

在我的例子中，这需要20.5秒，而简单的df。掉落花了5分钟27秒，消耗了大量内存。结果的数据帧是相同的。

如上所述，从布尔值中确定索引。

df[df['column'].isin(values)].index

是否比使用此方法确定索引更占用内存

pd.Index(np.where(df['column'].isin(values))[0])

像这样应用

df.drop(pd.Index(np.where(df['column'].isin(values))[0]), inplace = True)

这种方法在处理大数据帧和有限内存时非常有用。

请注意，当您想要执行下拉行时，使用“inplace”命令可能很重要。

df.drop(df.index[[1,3]], inplace=True)

因为您最初的问题没有返回任何东西，所以应该使用这个命令。 http://pandas.pydata.org/pandas-docs/version/0.17.0/generated/pandas.DataFrame.drop.html