DataFrame.reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) [source]
使用可选的填充逻辑使DataFrame符合新索引。
将NA/NaN放在上一个索引中没有值的位置。除非新索引等于当前索引和，否则将生成一个新对象 copy=False。
参数 : | labels : 类数组，可选 新labels/index index, columns : 类似数组，可选 要使用的新labels/index 引要符合。 最好是一个Index对象，以避免重复数据。 method : 默认 用于在重新索引的DataFrame中填充孔的方法。 请注意：这仅适用于具有单调递增/递减索引的DataFrames/Series。 1) None (default): 不填补空白 2) pad / ffill: 将上一个有效观察值向前传播到下一个有效值。 3) backfill / bfill: 使用下一个有效观察值填充空白。 4) nearest: 使用最近的有效观测值来填补空白。 copy : 即使传递的索引相同，也返回一个新对象。 level : 在一个级别上广播，在传递的MultiIndex级别上匹配索引值。 fill_value : 用于缺失值的值。默认为 limit : 向前或向后填充的连续元素的最大数量。 tolerance: 可选 不精确匹配的原始标签和新标签之间的最大距离。 在匹配位置的索引值最符合公式
公差可以是一个标量值， 它对所有值应用相同的 它对每个元素应用可变的t list-like包括 并且必须与索引相同大小， 其dtype必须与索引的类型完全匹配。 新版本0.21.0:(列表式tolerance) |
返回值 : | 更改索引的DataFrame。 |
例子
DataFrame.reindex 支持两种调用约定
(index=index_labels, columns=column_labels, ...)- (
labels, axis={'index', 'columns'}, ...)
我们强烈建议您使用关键字参数来阐明您的意图。
用一些虚构的数据创建一个DataFrame。
>>> 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创建一个新索引并重新索引该数据框。默认情况下，将分配新索引中在数据框中没有对应记录的值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我们可以通过将值传递给关键字来填充缺少的值fill_value。因为索引不是单调增加或减少，所以我们不能使用关键字的参数 method来填充NaN值
>>> 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我们还可以重新索引列
>>> 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或者我们可以使用“axis-style”关键字参数
>>> 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为了进一步说明中的填充功能 reindex，我们将创建一个索引单调递增的数据框（例如，日期序列）
>>> 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假设我们决定扩展数据框以覆盖更大的日期范围
>>> 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默认情况下，原始数据帧中没有值的索引条目（例如，“2009-12-29”）用填充NaN。如果需要，我们可以使用几个选项之一来填写缺失值
例如，要向后传播最后一个有效值以填充NaN值，请bfill作为参数传递给method关键字。
>>> 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注意： NaN任何值传播方案都不会填充原始数据帧中的值（索引值为2010-01-03）。这是因为在重新索引时进行填充不会查看数据帧值，而只会比较原始索引和所需索引。如果您确实想填写NaN原始数据框中存在的值，请使用该fillna()方法。