pandas.Series.reindex

Series.reindex(index=None, **kwargs) [source]

Приведение Series к новому индексу с опциональной логикой заполнения, размещая NA/NaN в позициях, не имеющих значения в предыдущем индексе. Новый объект создаётся, если новый индекс не эквивалентен текущему и copy=False

Параметры:

index : массив-подобный объект, необязательно (можно указать в порядке или как ключевые слова) Новые метки/индекс для приведения к нему. Предпочтительно объект Index, чтобы избежать дублирования данных method : {None, ‘backfill’/’bfill’, ‘pad’/’ffill’, ‘nearest’}, необязательно метод для заполнения пробелов в переиндексированном DataFrame. Обратите внимание: это применимо только к DataFrame/Series с монотонно возрастающим/убывающим индексом. по умолчанию: не заполнять пробелы pad / ffill: распространять последнее действительное значение вперёд к следующему действительному backfill / bfill: использовать следующее действительное значение для заполнения пробела nearest: использовать ближайшие действительные значения для заполнения пробела copy : boolean, по умолчанию True Возвращать новый объект, даже если переданные индексы одинаковы level : int или имя Вещание по уровню, сопоставление значений Index на переданном многоуровневом индексе fill_value : скаляр, по умолчанию np.NaN Значение для использования для пропущенных значений. По умолчанию NaN, но может быть любым «совместимым» значением limit : int, по умолчанию None Максимальное количество последовательных элементов для заполнения вперёд или назад tolerance : необязательно Максимальное расстояние между оригинальными и новыми метками для неточных совпадений. Значения индекса в сопоставленных позициях должны удовлетворять уравнению abs(index[indexer] - target) <= tolerance. Новое в версии 0.17.0.

Возвращаемое значение:

reindexed : Series

Примеры

Создаём DataFrame с некоторыми вымышленными данными.

>>> 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

Создаём новый индекс и переиндексируем DataFrame. По умолчанию значениям в новом индексе, для которых нет соответствующих записей в DataFrame, присваивается 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

Мы можем заполнить пропущенные значения, передав значение в ключевое слово fill_value. Поскольку индекс не монотонно возрастает или убывает, мы не можем использовать аргументы к ключевому слову method для заполнения NaN значений.

>>> 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

Чтобы дополнительно проиллюстрировать функциональность заполнения в reindex, создадим DataFrame с монотонно возрастающим индексом (например, последовательностью дат).

>>> 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
2010-01-02     101
2010-01-03     NaN
2010-01-04     100
2010-01-05      89
2010-01-06      88

Предположим, мы решили расширить DataFrame, чтобы охватить более широкий диапазон дат.

>>> 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
2010-01-02     101
2010-01-03     NaN
2010-01-04     100
2010-01-05      89
2010-01-06      88
2010-01-07     NaN

Записи индекса, не имевшие значения в исходном DataFrame (например, ‘2009-12-29’), по умолчанию заполняются NaN. При необходимости мы можем заполнить пропущенные значения, используя один из нескольких вариантов.

Например, чтобы распространить последнее действительное значение для заполнения NaN значений, передайте bfill в качестве аргумента к ключевому слову method.

>>> df2.reindex(date_index2, method='bfill')
            prices
2009-12-29     100
2009-12-30     100
2009-12-31     100
2010-01-01     100
2010-01-02     101
2010-01-03     NaN
2010-01-04     100
2010-01-05      89
2010-01-06      88
2010-01-07     NaN

Обратите внимание, что значение NaN, присутствующее в исходном DataFrame (в индексе 2010-01-03), не будет заполнено ни одной из схем распространения значений. Это потому, что заполнение при переиндексации не рассматривает значения DataFrame, а только сравнивает исходный и желаемый индексы. Если вы хотите заполнить NaN значения, присутствующие в исходном DataFrame, используйте метод fillna().