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]

Приводит DataFrame к новому индексу с дополнительной логикой заполнения, помещая NA/NaN в места, не имеющие значения в предыдущем индексе. Новый объект создаётся, если новый индекс эквивалентен текущему и copy=False.

Параметры:

labels : array-like, optional Новые метки/индекс для приведения оси, указанной в ‘axis’, к новому виду. index, columns : array-like, optional Новые метки/индекс для приведения к новому виду, должны быть указаны с помощью ключевых слов. Желательно объект Index, чтобы избежать дублирования данных axis : int or str, optional Ось, на которую следует воздействовать. Может быть именем оси (‘index’, ‘columns’) или числом (0, 1). method : {None, ‘backfill’/’bfill’, ‘pad’/’ffill’, ‘nearest’} Метод, используемый для заполнения пробелов в переиндексированном DataFrame. Обратите внимание: это применимо только к DataFrame/Series с монотонно возрастающим/убывающим индексом. None (по умолчанию): не заполнять пробелы pad / ffill: распространять последнее действительное значение вперёд до следующего действительного backfill / bfill: использовать следующее действительное значение для заполнения пробела nearest: использовать ближайшие действительные значения для заполнения пробела copy : bool, default True Возвращать новый объект, даже если переданные индексы совпадают. level : int or name Транслировать по уровню, сопоставляя значения Index в переданном MultiIndex-уровне. fill_value : scalar, default np.NaN Значение, используемое для пропущенных значений. По умолчанию NaN, но может быть любым «совместимым» значением. limit : int, default None Максимальное количество последовательных элементов для заполнения вперёд или назад. tolerance : optional Максимальное расстояние между исходными и новыми метками для приближенных совпадений. Значения индекса в соответствующих местах должны наиболее удовлетворять уравнению abs(index[indexer] - target) <= tolerance. Допуск может быть скалярным значением, которое применяется одинаковый допуск ко всем значениям, или спископодобным, который применяет переменный допуск к каждому элементу. Список-подобные включают список, кортеж, массив, Series и должны иметь такой же размер, как и индекс, и их тип данных должен точно совпадать с типом индекса. Новое в версии 0.21.0: (спископодобный допуск)

Возвращает:

DataFrame с изменённым индексом.

См. также

DataFrame.set_index

Установить метки строк.

DataFrame.reset_index

Удалить метки строк или переместить их в новые столбцы.

DataFrame.reindex_like

Изменить на те же индексы, что и у другого DataFrame.

Примеры

DataFrame.reindex поддерживает два соглашения вызова

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

Мы сильно рекомендуем использовать ключевые аргументы для уточнения своего намерения.

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 значениям в новом индексе, которые не имеют 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 ключевому параметру fill_value. Поскольку индекс не является монотонно возрастающим или убывающим, мы не можем использовать аргументы ключевого параметра 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 ещё раз 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   100.0
2010-01-02   101.0
2010-01-03     NaN
2010-01-04   100.0
2010-01-05    89.0
2010-01-06    88.0

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   100.0
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

Элементы индекса, которые не имели 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 ключевому параметру method.

>>> 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

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

См. руководство пользователя для получения дополнительной информации.