我发现的最好的解决方案是不(不一定?)完全复制

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

当然，你可以简单地省略inplace=True来创建一个新的数据框架，你也可以通过简单地截取df的切片轻松地删除最后N行。指数(df。index[-N:]删除最后N行)。因此，这种方法不仅简洁，而且非常灵活。

对于具有多索引的更复杂的dataframe(例如“Stock”和“Date”)，并且希望删除每个股票的最后一行，而不仅仅是最后一只股票的最后一行，那么解决方案如下:

# 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()向Multi-Index添加了一个额外的级别，我们只需使用reset_index()将其放在末尾。结果df与操作前保持相同类型的Multi-Index。

DF[:-n]

其中n是最后要删除的行数。

删除最后一行:

DF = DF[:-1]

删除最后n行:

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

通过同样的方式，可以删除前n行:

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

使用索引

df.iloc[:-1,:]

这就是iloc存在的原因。你也可以用head或tail。

令人惊讶的是居然没人提这个问题:

# 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，切片和头部/尾部比使用drop快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)