Python 2.7 删除两个系列中包含零的整行

我有一个函数，它可以从

Pandas

DataFrame

绘制两列的日志。因此，零会导致错误，需要删除。此时，函数的输入是来自

数据帧的两列。有没有办法删除任何包含零的行？例如，df=df[df.ColA！=0]的等效版本

def logscatfit(x,y,title):
    xvals2 = np.arange(-2,6,1)
    a = np.log(x) #These are what I want to remove the zeros from
    b = np.log(y)
    plt.scatter(a, b, c='g', marker='x', s=35)
    slope, intercept, r_value, p_value, std_err = stats.linregress(a,b)
    plt.plot(xvals2, (xvals2*slope + intercept), color='red')
    plt.title(title)
    plt.show()
    print "Slope is:",slope, ". Intercept is:",intercept,". R-value is:",r_value,". P-value is:",p_value,". Std_err is:",std_err

At想不出一种方法来删除
a
和
b
中的零，但是保持它们的长度相同，这样我就可以绘制散点图了。我唯一的选择是重写函数以获取一个
数据帧，然后用类似
df1=df[df.ColA！=0]
的东西删除零，然后
df2=df1[df1.ColB！=0]
？
正如我理解你的问题，你需要删除或者
x
或者
y
为零的行

一个简单的方法是

keepThese = (x > 0) & (y > 0)
a = x[keepThese]
b = y[keepThese]

然后继续您的代码。
我理解您的问题，您需要删除（和/或）
x
或
y
为零的行

一个简单的方法是

keepThese = (x > 0) & (y > 0)
a = x[keepThese]
b = y[keepThese]

然后继续您的代码。
我理解您的问题，您需要删除（和/或）
x
或
y
为零的行

一个简单的方法是

keepThese = (x > 0) & (y > 0)
a = x[keepThese]
b = y[keepThese]

然后继续您的代码。
我理解您的问题，您需要删除（和/或）
x
或
y
为零的行

一个简单的方法是

keepThese = (x > 0) & (y > 0)
a = x[keepThese]
b = y[keepThese]

然后继续编写代码。
将
FooBar
的答案插入到函数中会给出：

def logscatfit(x,y,title):
    xvals2 = np.arange(-2,6,1)
    keepThese = (x > 0) & (y > 0)
    a = x[keepThese]
    b = y[keepTheese]        
    a = np.log(a)
    b = np.log(b)
    plt.scatter(a, b, c='g', marker='x', s=35)
    slope, intercept, r_value, p_value, std_err = stats.linregress(a,b)
    plt.plot(xvals2, (xvals2*slope + intercept), color='red')
    plt.title(title)
    plt.show()
    print "Slope is:",slope, ". Intercept is:",intercept,". R-value is:",r_value,". P-value is:",p_value,". Std_err is:",std_err

将
FooBar
的答案插入到函数中，可以得到：

def logscatfit(x,y,title):
    xvals2 = np.arange(-2,6,1)
    keepThese = (x > 0) & (y > 0)
    a = x[keepThese]
    b = y[keepTheese]        
    a = np.log(a)
    b = np.log(b)
    plt.scatter(a, b, c='g', marker='x', s=35)
    slope, intercept, r_value, p_value, std_err = stats.linregress(a,b)
    plt.plot(xvals2, (xvals2*slope + intercept), color='red')
    plt.title(title)
    plt.show()
    print "Slope is:",slope, ". Intercept is:",intercept,". R-value is:",r_value,". P-value is:",p_value,". Std_err is:",std_err

将
FooBar
的答案插入到函数中，可以得到：

def logscatfit(x,y,title):
    xvals2 = np.arange(-2,6,1)
    keepThese = (x > 0) & (y > 0)
    a = x[keepThese]
    b = y[keepTheese]        
    a = np.log(a)
    b = np.log(b)
    plt.scatter(a, b, c='g', marker='x', s=35)
    slope, intercept, r_value, p_value, std_err = stats.linregress(a,b)
    plt.plot(xvals2, (xvals2*slope + intercept), color='red')
    plt.title(title)
    plt.show()
    print "Slope is:",slope, ". Intercept is:",intercept,". R-value is:",r_value,". P-value is:",p_value,". Std_err is:",std_err

将
FooBar
的答案插入到函数中，可以得到：

def logscatfit(x,y,title):
    xvals2 = np.arange(-2,6,1)
    keepThese = (x > 0) & (y > 0)
    a = x[keepThese]
    b = y[keepTheese]        
    a = np.log(a)
    b = np.log(b)
    plt.scatter(a, b, c='g', marker='x', s=35)
    slope, intercept, r_value, p_value, std_err = stats.linregress(a,b)
    plt.plot(xvals2, (xvals2*slope + intercept), color='red')
    plt.title(title)
    plt.show()
    print "Slope is:",slope, ". Intercept is:",intercept,". R-value is:",r_value,". P-value is:",p_value,". Std_err is:",std_err

我喜欢FooBar简单的回答。更通用的方法是将数据帧传递给函数并使用
.any（）
方法

def logscatfit(df,x_col_name,y_col_name,title):
    two_cols = df[[x_col_name,y_col_name]]
    mask = two_cols.apply(lambda x: ( x==0 ).any(), axis = 1)
    df_to_use = df[mask]
    x = df_to_use[x_col_name]
    y = df_to_use[y_col_name]

    #your code
    a = n.log(x)
    etc

我喜欢FooBar简单的回答。更通用的方法是将数据帧传递给函数并使用
.any（）
方法

def logscatfit(df,x_col_name,y_col_name,title):
    two_cols = df[[x_col_name,y_col_name]]
    mask = two_cols.apply(lambda x: ( x==0 ).any(), axis = 1)
    df_to_use = df[mask]
    x = df_to_use[x_col_name]
    y = df_to_use[y_col_name]

    #your code
    a = n.log(x)
    etc

我喜欢FooBar简单的回答。更通用的方法是将数据帧传递给函数并使用
.any（）
方法

def logscatfit(df,x_col_name,y_col_name,title):
    two_cols = df[[x_col_name,y_col_name]]
    mask = two_cols.apply(lambda x: ( x==0 ).any(), axis = 1)
    df_to_use = df[mask]
    x = df_to_use[x_col_name]
    y = df_to_use[y_col_name]

    #your code
    a = n.log(x)
    etc

我喜欢FooBar简单的回答。更通用的方法是将数据帧传递给函数并使用
.any（）
方法

def logscatfit(df,x_col_name,y_col_name,title):
    two_cols = df[[x_col_name,y_col_name]]
    mask = two_cols.apply(lambda x: ( x==0 ).any(), axis = 1)
    df_to_use = df[mask]
    x = df_to_use[x_col_name]
    y = df_to_use[y_col_name]

    #your code
    a = n.log(x)
    etc