Python pandas.Series.reindex用法及代码示例

用法:
Series.reindex(*args, **kwargs)

使用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 copy=False ，否则会生成一个新对象。

参数：

index：array-like，可选

应使用关键字指定要符合的新标签/索引。最好是 Index 对象以避免重复数据。

method：{无，‘backfill’/'bfill'，‘pad’/'ffill'，‘nearest’}

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

无(默认)：不填补空白
pad /ffill：将最后一个有效观察值向前传播到下一个有效值。
backfill /bfill：使用下一个有效观察来填补空白。
最近：使用最近的有效观测值来填补空白。

copy：布尔值，默认为真

返回一个新对象，即使传递的索引相同。

level：整数或名称

跨级别广播，匹配传递的 MultiIndex 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 “compatible” 值。

limit：整数，默认无

向前或向后填充的最大连续元素数。

tolerance：可选的

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符合等式 abs(index[indexer] - target) <= tolerance 。

公差可以是一个标量值，它对所有值应用相同的公差，或者list-like，它对每个元素应用可变公差。 List-like 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 dtype 必须与索引的类型完全匹配。

更改索引的系列。

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 DataFrame 。

>>> 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 DataFrame 。默认情况下，新索引中在 DataFrame 中没有相应记录的值被分配 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 fill_value 来填充缺失值。因为索引不是单调递增或递减的，所以我们不能使用关键字method 的参数来填充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 reindex 中的填充函数，我们将创建一个具有单调递增索引的 DataFrame (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 DataFrame 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

默认情况下，原始 DataFrame 中没有值的索引条目(例如，“2009-12-29”)填充为 NaN 。如果需要，我们可以使用几个选项之一来填充缺失值。

例如，对于 back-propagate 填充 NaN 值的最后一个有效值，将 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，原始数据帧中存在的NaN 值(索引值为 2010-01-03)不会被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。如果您确实想填写原始 DataFrame 中的 NaN 值，请使用 fillna() 方法。

有关更多信息，请参阅用户指南。

相关用法

注：本文由纯净天空筛选整理自pandas.pydata.org大神的英文原创作品 pandas.Series.reindex。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

例子：