pandas.Series.reindex_like

Series.reindex_like(other, method=None, copy=None, limit=None, tolerance=None)[source]

Возвращает объект с совпадающими индексами как у объекта other.

Приводит объект к одному и тому же индексу по всем осям. Допускается логика заполнения, помещающая NaN в места, не имеющие значения в предыдущем индексе. Новый объект создаётся, только если новый индекс не эквивалентен текущему и copy=False.

Параметры:

other:Объект того же типа данных

Его индексы строк и столбцов используются для определения новых индексов этого объекта.

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 значение вперёд до следующего действительного

• backfill / bfill: использовать следующее действительное значение для заполнения пробела

• nearest: использовать ближайшие действительные наблюдения для заполнения пробела.

copy:bool, по умолчанию True

Возвращать 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 будущих версиях pandas.

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

limit:int, по умолчанию None

Максимальное количество последовательных меток для заполнения при неточных совпадениях.

tolerance:необязательный

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

Tolerance может быть скалярным значением, которое применяет одну и ту же погрешность ко всем значениям, или спископодобным, который применяет переменную погрешность к каждому элементу. Список-подобные включают список, кортеж, массив, Series и должны иметь такой же размер, как и индекс, и его тип данных должен точно соответствовать типу индекса.

Возвращает:

Series или DataFrame

Тип, аналогичный вызывающему элементу, но с измененными индексами на каждой оси.

См. также

DataFrame.set_index

Установить метки строк.

DataFrame.reset_index

Удалить метки строк или переместить их в новые столбцы.

DataFrame.reindex

Изменить на новые индексы или расширить индексы.

Примечания

То же самое, что и вызов .reindex(index=other.index, columns=other.columns,...).

Примеры

>>> df1 = pd.DataFrame([[24.3, 75.7, 'high'],
...                     [31, 87.8, 'high'],
...                     [22, 71.6, 'medium'],
...                     [35, 95, 'medium']],
...                    columns=['temp_celsius', 'temp_fahrenheit',
...                             'windspeed'],
...                    index=pd.date_range(start='2014-02-12',
...                                        end='2014-02-15', freq='D'))

>>> df1
            temp_celsius  temp_fahrenheit windspeed
2014-02-12          24.3             75.7      high
2014-02-13          31.0             87.8      high
2014-02-14          22.0             71.6    medium
2014-02-15          35.0             95.0    medium

>>> df2 = pd.DataFrame([[28, 'low'],
...                     [30, 'low'],
...                     [35.1, 'medium']],
...                    columns=['temp_celsius', 'windspeed'],
...                    index=pd.DatetimeIndex(['2014-02-12', '2014-02-13',
...                                            '2014-02-15']))

>>> df2
            temp_celsius windspeed
2014-02-12          28.0       low
2014-02-13          30.0       low
2014-02-15          35.1    medium

>>> df2.reindex_like(df1)
            temp_celsius  temp_fahrenheit windspeed
2014-02-12          28.0              NaN       low
2014-02-13          30.0              NaN       low
2014-02-14           NaN              NaN       NaN
2014-02-15          35.1              NaN    medium