pandas.DataFrame.reindex#
- DataFrame.reindex(labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None)[源代码]#
使Series/DataFrame符合具有可选填充逻辑的新索引。
将NA/NaN放置在前一个索引中没有值的位置。除非新索引与当前索引相等，否则将生成新对象
copy=False。- 参数
- 轴的关键字类似阵列，可选
应使用关键字指定要符合的新标签/索引。最好是Index对象，以避免复制数据。
- method{无，‘回填’/‘填充’，‘填充’/‘填充’，‘最近’}
用于填充已重新索引的DataFrame中的漏洞的方法。请注意：这只适用于指数单调递增/递减的DataFrames/Series。
无(默认)：不填充空白
填充/填充：将上一个有效观察向前传播到下一个有效。
回填/b填充：使用下一个有效的观测来填充缺口。
最近：使用最近的有效观测值来填充缺口。
- copy布尔值，默认为True
返回一个新对象，即使传递的索引相同。
- level整型或名称
跨级别广播，匹配传递的多索引级别上的索引值。
- fill_value标量，默认np.NaN
用于缺少值的值。默认为NaN，但可以是任何“兼容”值。
- limitInt，默认为无
要向前或向后填充的连续元素的最大数量。
- tolerance可选
对于不完全匹配的原始标签和新标签之间的最大距离。匹配位置处的索引值最符合方程
abs(index[indexer] - target) <= tolerance。公差可以是标量值，它对所有值应用相同的公差，也可以是列表形式，它对每个元素应用可变公差。类似列表的包括列表、元组、数组、系列，并且必须与索引的大小相同，并且其数据类型必须与索引的类型完全匹配。
- 退货
- 索引已更改的系列/数据帧。
参见
DataFrame.set_index设置行标签。
DataFrame.reset_index删除行标签或将其移动到新列。
DataFrame.reindex_like更改为与其他DataFrame相同的索引。
示例
DataFrame.reindex支持两种调用约定(index=index_labels, columns=column_labels, ...)(labels, axis={'index', 'columns'}, ...)
我们 高度 建议使用关键字参数来阐明您的意图。
用一些虚构的数据创建一个数据帧。
>>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({'http_status': [200, 200, 404, 404, 301], ... 'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ... index=index) >>> df http_status response_time Firefox 200 0.04 Chrome 200 0.02 Safari 404 0.07 IE10 404 0.08 Konqueror 301 1.00
创建新索引并对数据帧重新编制索引。默认情况下，将分配新索引中在数据帧中没有相应记录的值
NaN。>>> new_index = ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ... 'Chrome'] >>> df.reindex(new_index) http_status response_time Safari 404.0 0.07 Iceweasel NaN NaN Comodo Dragon NaN NaN IE10 404.0 0.08 Chrome 200.0 0.02
我们可以通过将值传递给关键字来填充缺少的值
fill_value。因为索引不是单调递增或递减的，所以我们不能对关键字使用参数method要填满NaN价值。>>> df.reindex(new_index, fill_value=0) http_status response_time Safari 404 0.07 Iceweasel 0 0.00 Comodo Dragon 0 0.00 IE10 404 0.08 Chrome 200 0.02
>>> df.reindex(new_index, fill_value='missing') http_status response_time Safari 404 0.07 Iceweasel missing missing Comodo Dragon missing missing IE10 404 0.08 Chrome 200 0.02
我们还可以对列重新编制索引。
>>> df.reindex(columns=['http_status', 'user_agent']) http_status user_agent Firefox 200 NaN Chrome 200 NaN Safari 404 NaN IE10 404 NaN Konqueror 301 NaN
或者我们可以使用“轴式”关键字参数
>>> df.reindex(['http_status', 'user_agent'], axis="columns") http_status user_agent Firefox 200 NaN Chrome 200 NaN Safari 404 NaN IE10 404 NaN Konqueror 301 NaN
要进一步说明中的填充功能
reindex，我们将创建一个具有单调递增索引(例如，一系列日期)的数据帧。>>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ... index=date_index) >>> df2 prices 2010-01-01 100.0 2010-01-02 101.0 2010-01-03 NaN 2010-01-04 100.0 2010-01-05 89.0 2010-01-06 88.0
假设我们决定扩展数据帧以涵盖更广泛的日期范围。
>>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2) prices 2009-12-29 NaN 2009-12-30 NaN 2009-12-31 NaN 2010-01-01 100.0 2010-01-02 101.0 2010-01-03 NaN 2010-01-04 100.0 2010-01-05 89.0 2010-01-06 88.0 2010-01-07 NaN
默认情况下，原始数据框中没有值的索引条目(例如‘2009-12-29’)填充
NaN。如果需要，我们可以使用以下几个选项之一来填充缺少的值。例如，向后传播最后一个有效值以填充
NaN值，传递bfill作为对method关键字。>>> df2.reindex(date_index2, method='bfill') prices 2009-12-29 100.0 2009-12-30 100.0 2009-12-31 100.0 2010-01-01 100.0 2010-01-02 101.0 2010-01-03 NaN 2010-01-04 100.0 2010-01-05 89.0 2010-01-06 88.0 2010-01-07 NaN
请注意，
NaN原始数据帧中存在的值(在索引值2010-01-03)将不会由任何值传播方案填充。这是因为重建索引时填充不会查看数据帧的值，而只比较原始索引和所需的索引。如果您确实想要填写NaN原始数据帧中存在的值，请使用fillna()方法。请参阅 user guide 想要更多。