pandas.DataFrame.reindex

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

Приведение DataFrame к новому индексу с опциональной логикой заполнения.

Размещает значения NA/NaN в позициях, не имеющих значений в предыдущем индексе. Создаётся новый объект, если новый индекс эквивалентен текущему и copy=False.

Параметры:

labels:подобный массиву, необязательно

Новые метки/индекс для приведения оси, указанной параметром ‘axis’, к ним.

index:подобный массиву, необязательно

Новые метки для индекса. Предпочтительнее объект Index для избежания дублирования данных.

columns:подобный массиву, необязательно

Новые метки для столбцов. Предпочтительнее объект Index для избежания дублирования данных.

axis:int или str, необязательно

Целевая ось. Может быть именем оси (‘index’, ‘columns’) или числом (0, 1).

method:{None, ‘backfill’/’bfill’, ‘pad’/’ffill’, ‘nearest’}

Метод заполнения пропусков в переиндексированном DataFrame. Обратите внимание: это применимо только к DataFrame/Series с монотонно возрастающим/убывающим индексом.

• None (по умолчанию): не заполнять пробелы

• pad / ffill: Распространяет последнее действительное наблюдение вперёд до следующего действительного.

• backfill / bfill: Использует следующее действительное наблюдение для заполнения пробела.

• nearest: Использует ближайшие действительные наблюдения для заполнения пробела.

copy:bool, по умолчанию True

Возвращает новый объект, даже если переданные индексы одинаковы.

Примечание

Ключевое слово copy изменит поведение в pandas 3.0. Copy-on-Write будет включено по умолчанию, что означает, что все методы с ключевым словом copy будут использовать механизм ленивой копии для отсрочки копии и игнорирования ключевого слова copy. Ключевое слово copy будет удалено в будущей версии pandas.

Вы уже можете получить будущее поведение и улучшения, включив механизм copy on write pd.options.mode.copy_on_write = True

level:int или имя

Трансляция по уровню, сопоставление значений индекса на указанном уровне MultiIndex.

fill_value:скаляр, по умолчанию np.nan

Значение для использования в случае отсутствия 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 исходными и новыми метками для неточного совпадения. Значения индекса в соответствующих позициях должны удовлетворять уравнению abs(index[indexer] - target) <= tolerance.

Tolerance может быть скалярным значением, которое применяет одинаковую толерантность ко всем значениям, или списком, который применяет переменную толерантность к каждому элементу. Список включает список, кортеж, массив, Series и должен иметь такой же размер, как индекс, а его тип должен точно совпадать с типом индекса.

Возвращаемое значение:

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

Изменение на те же индексы, что и в другом DataFrame.

Примеры

DataFrame.reindex поддерживает два способа вызова

• (index=index_labels, columns=column_labels, ...)

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

Мы настоятельно рекомендуем использовать ключевые аргументы для ясности намерений.

Создадим 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

Создадим новый индекс и переиндексируем DataFrame. По умолчанию значения в новом индексе, не имеющие соответствующих записей в DataFrame, получают 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 аргументу fill_value. Поскольку индекс не является монотонно возрастающим или убывающим, 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

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 использовать ключевые аргументы в стиле «axis»

>>> 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

Для дальнейшей иллюстрации функциональности 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   100.0
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

Записи индекса, не имеющие 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 слову 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 NaN значение, 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 анализирует значения DataFrame, а только сравнивает исходный и целевой индексы. Если вы хотите заполнить NaN значения, присутствующие в исходном DataFrame, используйте метод fillna().

См. руководство пользователя для получения дополнительной информации.