drop默认不修改原数据，需inplace=True或赋值；删多列须用列表；axis=1不可省略；del可原地删单列但无条件筛选功能。
drop 方法不加 inplace=True 默认不改原数据
很多人写 df.drop('col_name', axis=1) 后发现 df 没变，以为方法失效。其实 drop 默认返回新 DataFrame，原对象完全不动。
实操建议：
- 要真删原数据，必须显式加
inplace=True：df.drop('col_name', axis=1, inplace=True) - 不加
inplace时，记得赋值：df = df.drop('col_name', axis=1) -
inplace=True在某些链式操作中会报错（比如df.drop(...).reset_index()），这时只能走赋值路线
删除多列时传列表，别传字符串
想删 'a' 和 'b' 两列，写成 df.drop('a', 'b', axis=1) 会报错：TypeError: drop() takes 2 positional arguments but 3 were given。
实操建议：
- 多列必须用列表：
df.drop(['a', 'b'], axis=1, inplace=True) - 列名含空格或特殊字符？确保列表里字符串完全匹配，比如
['user id', 'score_v2'] - 用
df.columns.tolist()先确认真实列名，避免肉眼误判
axis=1 是关键，漏写就删错方向
忘记写 axis=1，drop 默认按行删（axis=0），结果整行消失，还找不到哪列被“删”了。
常见错误现象：
- 执行后行数变少，但列还在 → 很可能漏了
axis=1 - 删列却提示
KeyError: 'col_name'→ 实际是它在找索引名为'col_name'的行
实操建议：
- 删列必带
axis=1，养成肌肉记忆 - 不确定当前维度？先查
df.shape：(行数, 列数)，删列后列数应减少
用 columns 索引直接 del 更快，但不能条件筛选
如果只是简单删一个已知列名的列，del df['col_name'] 比 drop 更轻量，不涉及拷贝、无参数歧义。
但它有硬限制：
- 一次只能删一列，不支持列表：
del df[['a','b']]语法错误 - 不能配合布尔条件（比如“删所有含 '_tmp' 的列”），得回退到
drop+ 列表推导 - 不返回任何值，也不支持
inplace参数——它本来就是原地删
示例：删掉临时列 'flag_temp'，用 del 最干净：del df['flag_temp']
inplace 忘加、axis 漏写、或多列传参格式不对——这三处没 warning，只默默做错事。 
