pandas.DataFrame.reindex_like#

DataFrame.reindex_like(other, метод=None, copy=None, limit=None, допуск=None)[источник]#

Возвращает объект с совпадающими индексами, как другой объект.

Привести объект к одному индексу по всем осям. Опциональная логика заполнения, размещающая NaN в местах, где нет значения в предыдущем индексе. Создается новый объект, если новый индекс не эквивалентен текущему и copy=False.

Параметры:

otherОбъект того же типа данных

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

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

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

None (по умолчанию): не заполнять пропуски
pad / ffill: распространение последнего допустимого наблюдения вперед к следующему допустимому
backfill / bfill: использование следующего допустимого наблюдения для заполнения пропуска
nearest: использование ближайших допустимых наблюдений для заполнения пропуска.

copybool, по умолчанию True

Возвращает новый объект, даже если переданные индексы одинаковы.

Примечание

The copy ключевое слово изменит поведение в pandas 3.0. Копирование при записи будет включено по умолчанию, что означает, что все методы с copy ключевое слово будет использовать механизм ленивого копирования для отложенного копирования и игнорирования copy ключевое слово. The copy ключевое слово будет удалено в будущей версии pandas.

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

limitint, по умолчанию None

Максимальное количество последовательных меток для заполнения при неточных совпадениях.

допускнеобязательный

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

Допуск может быть скалярным значением, которое применяет одинаковый допуск ко всем значениям, или list-like, которое применяет переменный допуск на элемент. List-like включает list, tuple, array, Series и должен быть того же размера, что и индекс, а его dtype должен точно соответствовать типу индекса.

Возвращает:

Series или DataFrame: Тот же тип, что и у вызывающего объекта, но с изменёнными индексами на каждой оси.

Смотрите также

DataFrame.set_index: Установить метки строк.
DataFrame.reset_index: Удалить метки строк или переместить их в новые столбцы.
DataFrame.reindex: Изменение на новые индексы или расширение индексов.

Примечания

То же, 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