pandas.DataFrame.reindex

DataFrame.reindex(labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) [source]

Приведение DataFrame к новому индексу с необязательной логикой заполнения, размещая NA/NaN в местах, не имеющих значения в предыдущем индексе. Новый объект создается, если новый индекс не эквивалентен текущему и copy=False

Параметры:

метки : массив-подобный, необязательный Новые метки/индекс для приведения оси, указанной в ‘axis’, к новому состоянию. индекс, столбцы : массив-подобный, необязательный (должны быть указаны с использованием ключевых слов) Новые метки/индекс для приведения к новому состоянию. Предпочтительно объект Index для избежания дублирования данных ось : int или str, необязательный Ось, на которую нужно нацелиться. Может быть именем оси (‘индекс’, ‘столбцы’) или числом (0, 1). метод : {None, ‘backfill’/’bfill’, ‘pad’/’ffill’, ‘nearest’}, необязательный Метод, используемый 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: распространить последнее действительное наблюдение вперед до следующего действительного backfill / bfill: использовать следующее действительное наблюдение для заполнения пробела nearest: использовать ближайшие действительные наблюдения для заполнения пробела copy : boolean, по умолчанию True Возвращает новый объект, даже если переданные индексы одинаковы уровень : int или имя Вещание по уровню, сопоставление значений Index на переданном MultiIndex уровне 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 вперед или назад tolerance : необязательный Максимальное расстояние между исходными и новыми метками для приблизительных совпадений. Значения индекса в совпадающих местоположениях должны наиболее удовлетворять уравнению abs(index[indexer] - target) <= tolerance. Допуск может быть скалярным значением, которое применяет одинаковый допуск ко всем значениям, или списком-подобным объектом, который применяет переменный допуск для каждого элемента. Список-подобный объект включает список, кортеж, массив, Series и должен иметь тот же размер, что и индекс, а его тип данных должен точно соответствовать типу индекса. Введен в версии 0.17.0. Введен в версии 0.21.0: (список-подобный допуск)

Возвращает:

переиндексирован : DataFrame

Примеры

DataFrame.reindex поддерживает две схемы вызова

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

Мы настоятельно рекомендуем использовать ключевые аргументы для уточнения ваших намерений.

Создайте 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

Создайте новый индекс и переиндексируйте DataFrame. По умолчанию значения в новом индексе, не имеющие соответствующих записей в DataFrame, присваиваются 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 ключевой параметр fill_value. Поскольку индекс не монотонно возрастает или убывает, мы не можем использовать аргументы в ключевом параметре 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

Мы также можем переиндексировать столбцы.

>>> 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

Или мы можем использовать ключевые аргументы в стиле «оси»

>>> 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

Чтобы далее проиллюстрировать функциональность заполнения в reindex, мы 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 он охватывал 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 обратное распространение последнего действительного значения для заполнения NaN значений, передайте bfill в качестве аргумента к ключевому параметру 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 происходит потому, что заполнение при переиндексации не смотрит на значения DataFrame, а только сравнивает исходные и требуемые индексы. Если вы хотите заполнить NaN значения, присутствующие в исходном DataFrame, используйте метод fillna().

См. руководство пользователя для получения дополнительной информации.