pandas.Series.reindex #

系列。reindex ( index = None , * , axis = None , method = None , copy = None , level = None , fill_value = None , limit = None , tolerance = None ) [来源] #

通过可选的填充逻辑使系列符合新索引。

将 NA/NaN 放置在前一个索引中没有值的位置。除非新索引等于当前索引 和 ,否则将生成一个新对象 copy=False

参数
类似索引数组,可选

索引的新标签。最好是 Index 对象以避免重复数据。

axis int 或 str,可选

没用过。

方法{无,'backfill'/'bfill','pad'/'ffill','最近'}

用于填充重新索引的 DataFrame 中的漏洞的方法。请注意:这仅适用于具有单调递增/递减索引的 DataFrames/Series。

  • None(默认):不填补空白

  • pad / fill:将最后一个有效观察向前传播到下一个有效观察。

  • backfill / bfill:使用下一个有效观察来填补空白。

  • 最近的:使用最近的有效观察来填补空白。

复制布尔值,默认 True

返回一个新对象,即使传递的索引相同。

笔记

copy关键字将改变 pandas 3.0 中的行为 。默认情况下会启用Copy-on-Write ,这意味着所有带有 copy关键字的方法都将使用惰性复制机制来推迟复制并忽略copy关键字。 copy关键字将在 pandas 的未来版本中删除

您已经可以通过启用写入时复制来获得未来的行为和改进pd.options.mode.copy_on_write = True

level整数或名称

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

用于缺失值的值。默认为 NaN,但可以是任何“兼容”值。

limit int,默认无

向前或向后填充的连续元素的最大数量。

公差可选

不精确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满足方程。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,也可以是类似列表的,它对每个元素应用可变的公差。类列表包括列表、元组、数组、系列,并且必须与索引大小相同,并且其数据类型必须与索引的类型完全匹配。

返回
索引已更改的系列。

也可以看看

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。

例子

DataFrame.reindex支持两种调用约定

  • (index=index_labels, columns=column_labels, ...)

  • (labels, axis={'index', 'columns'}, ...)

我们强烈建议使用关键字参数来阐明您的意图。

使用一些虚构数据创建一个数据框。

>>> 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

创建一个新索引并重新索引数据帧。默认情况下,会分配新索引中在数据帧中没有对应记录的值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失的值fill_value。由于索引不是单调递增或递减,因此我们不能使用关键字的参数来 method填充NaN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

我们还可以重新索引列。

>>> 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“axis-style”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

为了进一步说明 中的填充功能 reindex,我们将创建一个具有单调递增索引的数据框(例如,日期序列)。

>>> 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框以覆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

原始数据框中没有值的索引条目(例如“2009-12-29”)默认填充为NaN。如果需要,我们可以使用多个选项之一来填充缺失值。

例如,要反向传播最后一个有效值来填充值NaN ,请将其bfill作为参数传递给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(索引值 2010-01-03)不会由任何值传播方案填充。这是因为重新索引时填充不会查看数据帧值,而只会比较原始索引和所需索引。如果您确实想填写NaN原始数据框中存在的值,请使用该fillna()方法。

请参阅用户指南了解更多信息。