Python 删除“；错误的；基于类型和值的数据帧行

我有一个数据集，其中包括一列日期和时间值，另一列包含一些测量值（float）。但是，在一些测量过程中，出现了一个错误，导致了一些奇怪的条目-下面的示例（这些条目包括datetime对象的重复部分，该部分被解释为字符串、不完整的datetime对象、完全随机的字符串、缺失的值或超出范围的另一列的值）（测量值大多在10到50之间，但有时我会得到零或100之类的值）

从大型数据集中提取（加载为数据帧）：

所有类型错误条目的示例如下。 我怎样才能排除故障线路？ 我的想法是做一个if循环，设置条件“t”列应该是datetime对象，“baaa”列应该是float>0和<60。如果条件不满足，我将用

np.nan

替换该值，并最终使用

dropna

函数

df['t'] = pd.to_datetime(df['t'], format = '%d/%m/%Y %H:%M', errors='coerce')
df.iloc[:,1] = pd.to_numeric(df.iloc[:,1], errors='coerce')    
for line in df.iloc[:,1]:  
    if (line < 60) & (line > 0):
       line = line
   else:
       line = np.nan
    # not assigning this new value! :( 

    df = df.dropna(subset = df.columns.values, how='any', inplace=True)

df['t']=pd.to_datetime（df['t']，格式为“%d/%m/%Y%H:%m”，错误为“强制”）
df.iloc[：，1]=pd.to_numeric（df.iloc[：，1]，errors='concure'）
对于df.iloc[：，1]中的行：
如果（线<60）和（线>0）：
直线
其他：
line=np.nan
#未分配此新值！：（
df=df.dropna（子集=df.columns.values，how='any'，inplace=True）

这似乎解决了大多数问题，但线路需要低于60的情况除外。 我一定是语法错了？这里怎么了？ 谢谢！

我认为您需要进行筛选，相反，您可以添加新的（第三个）条件，使用-get all not

NaN

列

t

NaN

第一列中的值根据第一个和第二个条件进行筛选：

df['t'] = pd.to_datetime(df['t'], format = '%d/%m/%Y %H:%M', errors='coerce')
df.iloc[:,1] = pd.to_numeric(df.iloc[:,1], errors='coerce')  
df = df[(df.iloc[:,1] < 60) & (df.iloc[:,1] > 0) & (df['t'].notnull())]

print (df)
                     t  baaa
0  2014-11-13 23:43:00  17.6
1  2014-11-13 23:44:00  17.7
3  2014-11-13 23:46:00  17.7
4  2014-11-14 00:34:00  16.0
5  2014-11-14 00:35:00  15.9
7  2014-11-14 01:25:00  14.9
8  2014-11-14 01:26:00  14.9
10 2014-11-14 02:16:00  14.3
11 2014-11-14 02:17:00  14.3
13 2014-11-14 03:09:00  13.0
15 2014-11-14 02:19:00  14.3
16 2014-11-14 03:59:00  12.6
17 2014-11-14 04:00:00  12.6
18 2014-11-14 05:41:00  11.7
19 2014-11-14 05:42:00  11.7
21 2014-11-14 04:53:00  12.2

df['t']=pd.to_datetime（df['t']，格式为“%d/%m/%Y%H:%m”，错误为“强制”）
df.iloc[：，1]=pd.to_numeric（df.iloc[：，1]，errors='concure'）
df=df[（df.iloc[：，1]<60）和（df.iloc[：，1]>0）和（df['t'].notnull（））]
打印（df）
巴阿
0  2014-11-13 23:43:00  17.6
1  2014-11-13 23:44:00  17.7
3  2014-11-13 23:46:00  17.7
4  2014-11-14 00:34:00  16.0
5  2014-11-14 00:35:00  15.9
7  2014-11-14 01:25:00  14.9
8  2014-11-14 01:26:00  14.9
10 2014-11-14 02:16:00  14.3
11 2014-11-14 02:17:00  14.3
13 2014-11-14 03:09:00  13.0
15 2014-11-14 02:19:00  14.3
16 2014-11-14 03:59:00  12.6
17 2014-11-14 04:00:00  12.6
18 2014-11-14 05:41:00  11.7
19 2014-11-14 05:42:00  11.7
21 2014-11-14 04:53:00  12.2

df['t'] = pd.to_datetime(df['t'], format = '%d/%m/%Y %H:%M', errors='coerce')
df.iloc[:,1] = pd.to_numeric(df.iloc[:,1], errors='coerce')  
df = df[(df.iloc[:,1] < 60) & (df.iloc[:,1] > 0) & (df['t'].notnull())]

print (df)
                     t  baaa
0  2014-11-13 23:43:00  17.6
1  2014-11-13 23:44:00  17.7
3  2014-11-13 23:46:00  17.7
4  2014-11-14 00:34:00  16.0
5  2014-11-14 00:35:00  15.9
7  2014-11-14 01:25:00  14.9
8  2014-11-14 01:26:00  14.9
10 2014-11-14 02:16:00  14.3
11 2014-11-14 02:17:00  14.3
13 2014-11-14 03:09:00  13.0
15 2014-11-14 02:19:00  14.3
16 2014-11-14 03:59:00  12.6
17 2014-11-14 04:00:00  12.6
18 2014-11-14 05:41:00  11.7
19 2014-11-14 05:42:00  11.7
21 2014-11-14 04:53:00  12.2