Python Pandas DataFrame reindex方法用法及代碼示例

例子

考慮以下 DataFrame ：

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



   A  B
a  2  4
b  3  5

更改行標簽

將索引(即行標簽)更改為 "a" 和 "c" ：

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



   A    B
a  2.0  4.0
c  NaN  NaN

在此，請注意以下事項：

• [aA] 和 [aB] 處的值保持原樣。這是因為[aA]和[aB]都存在於源DataFrame中。

• [cA] 和 [cB] 處的值為 NaN 。這是因為源 DataFrame 中不存在 [cA] 和 [cB]。

更改列標簽

這是我們之前的df：

df



   A  B
a  2  4
b  3  5

要設置新的列標簽：

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



   B  D
b  4  NaN
d  5  NaN

在此，請注意以下事項：

• [bB] 和 [dB] 處的值保持原樣。這是因為[bB]和[dB]都存在於源DataFrame中。

• [Db] 和 [Dd] 處的值為 NaN 。這是因為源 DataFrame 中不存在 [Db] 和 [Dd]。

指定方法

考慮以下 DataFrame ：

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



   A  B
b  2  4
d  3  5

None

默認情況下， method=None ，這意味著不會執行填充，因此具有新行標簽或列標簽的值將為 NaN ：

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



   A    B
a  NaN  NaN
c  NaN  NaN

填充

要使用以前的值進行填充，請傳入 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，請注意以下事項：

• 我們仍然有索引 "a" 的 NaN ，因為沒有索引小於 "a" ，即源 DataFrame 包含索引 "b" 和 "d" ，它們都大於 "a" 。

• 索引"c"中的值使用源DataFrame的索引"b"中的值填充。這是因為索引 "b" 是小於索引 "c" 的最後一個索引。

填充

作為參考，這裏再次df：

df



   A  B
b  2  4
d  3  5

要使用下一個值進行填充，請傳入 method="bfill"，如下所示：

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



   A  B
a  2  4
c  3  5

在此，請注意以下事項：

• 行 "a" 中的值填充為源 DataFrame 行 "b" 中的值。這是因為大於索引 "a" 的下一個索引是索引 "b" 。

• 完全相同的推理適用於索引 "c" 的填充方式。

最近的

盡管沒有正式記錄，method="nearest" 似乎不適用於字符串。因此，我們將使用帶有整數索引的DataFrame來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，請注意以下事項：

• 索引 7 用索引 6 的值填充，因為索引 6 最接近源 DataFrame 的索引 7。

• 索引 8 用索引 9 的值填充，因為索引 8 最接近源 DataFrame 的索引 9。

指定公差

考慮以下 DataFrame ：

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



   A  B
3  2  4
6  3  5

假設我們想設置一個帶有前向填充的新索引[5,7]。我們可以指定tolerance來指示前向填充是否應該生效：

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



   A    B
5  NaN  NaN
7  3.0  5.0

在此，請注意以下事項：

• 索引為 5 的行有 NaN 。這是因為 abs(3-5)=2 大於指定的 tolerance 。

• 索引為 7 的行已使用源 DataFrame 的索引 6 為 forward-filled。這是因為 abs(6-7)=1 小於或等於指定的 tolerance 。