pandas.Series.reindex#

Series.reindex(index=None, *, ось=None, метод=None, copy=None, уровень=None, fill_value=None, limit=None, допуск=None)[источник]#

Привести Series к новому индексу с опциональной логикой заполнения.

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

Параметры:

indexподобный массиву, необязательный

Новые метки для индекса. Предпочтительно объект Index, чтобы избежать дублирования данных.

осьint или str, необязательно

Не используется.

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 до следующего допустимого.
backfill / bfill: Использовать следующее допустимое наблюдение для заполнения пропуска.
nearest: Использовать ближайшие допустимые наблюдения 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

уровеньint или имя

Трансляция по уровню, сопоставляя значения Index на переданном уровне MultiIndex.

fill_valueскаляр, по умолчанию np.nan

Значение для использования в качестве пропущенных значений. По умолчанию NaN, но может быть любым «совместимым» значением.

limitint, по умолчанию None

Максимальное количество последовательных элементов для заполнения вперед или назад.

допускнеобязательный

Максимальное расстояние между исходными и новыми метками для неточных совпадений. Значения индекса в соответствующих местах наиболее удовлетворяют 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 с изменённым индексом.

Смотрите 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 высоко рекомендуется 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 фрейм данных. По умолчанию значения в новом индексе, которые не имеют соответствующих записей во фрейме данных, 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 пропущенные значения, передав значение ключевому слову fill_value. Поскольку индекс не является монотонно возрастающим или убывающим, мы не можем использовать аргументы для ключевого слова method для заполнения NaN значения.

>>> 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 ключевых слов 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, 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 решаем расширить фрейм данных, 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, которые не имели значения в исходном фрейме данных (например, '2009-12-29'), по умолчанию заполняются NaN. При желании мы можем заполнить пропущенные значения, используя один из нескольких вариантов.

Например, чтобы распространить последнее допустимое значение назад для заполнения NaN значения, передайте bfill в качестве аргумента для method ключевое слово.

>>> 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 датафрейме (по индексу 2010-01-03), не будет заполнено ни одной из схем распространения значений. Это происходит потому, что заполнение при переиндексации не смотрит на значения датафрейма, а только сравнивает исходные и желаемые индексы. Если вы хотите заполнить NaN значения, присутствующие в исходном DataFrame, используйте fillna() метод.

См. руководство пользователя подробнее.