pandas.Series.reindex

Series.reindex(index=None, *, axis=None, method=None, copy=None, level=None, fill_value=None, limit=None, tolerance=None)[source]

Согласование Series с новым индексом с опциональной логикой заполнения.

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

Параметры:

index:array-like, optional

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

axis:int или str, optional

Не используется.

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

Метод 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 наблюдение вперед до следующего действительного.

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

• nearest: Используйте 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 ленивого копирования для отсрочки копирования и игнорирования ключевого слова copy. Ключевое слово copy будет удалено в будущей версии pandas.

Вы уже можете получить будущие поведение и улучшения, включив копирование при записи pd.options.mode.copy_on_write = True

level:int или имя

Вещание по уровню, сопоставление значений Index по переданному уровню MultiIndex.

fill_value:скаляр, по умолчанию np.nan

Значение для использования для отсутствующих значений. По умолчанию NaN, но может быть любое «совместимое» значение.

limit:int, по умолчанию None

Максимальное количество последовательных элементов для заполнения вперед или назад.

tolerance:необязательно

Максимальное расстояние между исходными и новыми метками для неточных совпадений. Значения индекса в совпадающих местоположениях должны в наибольшей степени удовлетворять уравнению abs(index[indexer] - target) <= tolerance.

Допуск может быть скалярным значением, которое применяет одинаковый допуск ко всем значениям, или спископодобным, который применяет переменный допуск к каждому элементу. Список-подобный включает список, кортеж, массив, Series и должен иметь такой же размер, как и индекс, а его тип данных должен точно соответствовать типу индекса.

Возвращаемое значение:

Series с измененным индексом.

См. также

DataFrame.set_index

Установить метки строк.

DataFrame.reset_index

Удалить метки строк или перенести их в новые столбцы.

DataFrame.reindex_like

Изменение на те же индексы, что и у другого 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 вашего 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 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 отсутствующие значения, передав значение в ключевое слово fill_value. Поскольку индекс не монотонно возрастает или убывает, мы не можем использовать аргументы в ключевом слове 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 аргументы ключевого слова в стиле «ось»

>>> 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, мы создадим DataFrame с монотонно возрастающим индексом (например, последовательность 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 для охвата более широкого диапазона 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, не имеющие значения в исходном DataFrame (например, «2009-12-29»), по умолчанию заполняются NaN. При необходимости мы можем заполнить отсутствующие значения, используя один из нескольких вариантов.

Например, чтобы обратно 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 значение NaN, присутствующее в исходном DataFrame (в индексе 2010-01-03), не будет заполнено ни одной из схем распространения значений. Это связано с тем, 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().

См. руководство пользователя для получения дополнительной информации.