Python Pandas DataFrame reindex方法用法及代码示例

例子

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[2,3], "B":[4,5]}, index=["a","b"])
df



   A  B
a  2  4
b  3  5

更改行标签

将索引(即行标签)更改为 "a" 和 "c" ：

df.reindex(index=["a","c"])



   A    B
a  2.0  4.0
c  NaN  NaN

在此，请注意以下事项：

• [aA] 和 [aB] 处的值保持原样。这是因为[aA]和[aB]都存在于源DataFrame中。

• [cA] 和 [cB] 处的值为 NaN 。这是因为源 DataFrame 中不存在 [cA] 和 [cB]。

更改列标签

这是我们之前的df：

df



   A  B
a  2  4
b  3  5

要设置新的列标签：

df.reindex(columns=["B","D"])



   B  D
b  4  NaN
d  5  NaN

在此，请注意以下事项：

• [bB] 和 [dB] 处的值保持原样。这是因为[bB]和[dB]都存在于源DataFrame中。

• [Db] 和 [Dd] 处的值为 NaN 。这是因为源 DataFrame 中不存在 [Db] 和 [Dd]。

指定方法

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[2,3], "B":[4,5]}, index=["b","d"])
df



   A  B
b  2  4
d  3  5

None

默认情况下， method=None ，这意味着不会执行填充，因此具有新行标签或列标签的值将为 NaN ：

df.reindex(index=["a","c"])



   A    B
a  NaN  NaN
c  NaN  NaN

填充

要使用以前的值进行填充，请传入 method="ffill"，如下所示：

df.reindex(index=["a","c"], method="ffill")



   A    B
a  NaN  NaN
c  2.0  4.0

在此，请注意以下事项：

• 我们仍然有索引 "a" 的 NaN ，因为没有索引小于 "a" ，即源 DataFrame 包含索引 "b" 和 "d" ，它们都大于 "a" 。

• 索引"c"中的值使用源DataFrame的索引"b"中的值填充。这是因为索引 "b" 是小于索引 "c" 的最后一个索引。

填充

作为参考，这里再次df：

df



   A  B
b  2  4
d  3  5

要使用下一个值进行填充，请传入 method="bfill"，如下所示：

df.reindex(index=["a","c"], method="bfill")



   A  B
a  2  4
c  3  5

在此，请注意以下事项：

• 行 "a" 中的值填充为源 DataFrame 行 "b" 中的值。这是因为大于索引 "a" 的下一个索引是索引 "b" 。

• 完全相同的推理适用于索引 "c" 的填充方式。

最近的

尽管没有正式记录，method="nearest" 似乎不适用于字符串。因此，我们将使用带有整数索引的DataFrame来演示它是如何工作的：

df = pd.DataFrame({"A":[2,3], "B":[4,5]}, index=[6,9])
df



   A  B
6  2  4
9  3  5

要使用 nearest 填充值：

df.reindex(index=[7,8], method="nearest")



   A  B
7  2  4
8  3  5

在此，请注意以下事项：

• 索引 7 用索引 6 的值填充，因为索引 6 最接近源 DataFrame 的索引 7。

• 索引 8 用索引 9 的值填充，因为索引 8 最接近源 DataFrame 的索引 9。

指定公差

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[2,3], "B":[4,5]}, index=[3,6])
df



   A  B
3  2  4
6  3  5

假设我们想设置一个带有前向填充的新索引[5,7]。我们可以指定tolerance来指示前向填充是否应该生效：

df.reindex(index=[5,7], method="ffill", tolerance=1)



   A    B
5  NaN  NaN
7  3.0  5.0

在此，请注意以下事项：

• 索引为 5 的行有 NaN 。这是因为 abs(3-5)=2 大于指定的 tolerance 。

• 索引为 7 的行已使用源 DataFrame 的索引 6 为 forward-filled。这是因为 abs(6-7)=1 小于或等于指定的 tolerance 。