DataFrame.reindex_like(self: ~FrameOrSeries, other, method: Union[str, NoneType] = None, copy: bool = True, limit=None, tolerance=None) → ~FrameOrSeries [source]
返回具有匹配索引的对象作为其他对象。
使对象在所有轴上都具有相同的索引。可选的填充逻辑，将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并且copy=False，否则将生成一个新对象。
参数： | other：相同数据类型的 它的行和列索引用于定义此对象的新索引。 method：
方法，用于填充重新索引的数据格式中的漏洞。 请注意:这只适用于索引为单调递增/递减的 1）None (default): 不填补空白。 2）pad / ffill: 将上一个有效观察值传播到下一个有效观察值。 3）backfill / bfill: 使用下一个有效观察值来填补空白。 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。 limit： 填写不完全匹配的连续标签的最大数量。 tolerance：可选 最大距离之间的原始和新标签不准确的匹配。 匹配位置的索引值最满足等式
tolerance可以是标量值，它对所有值应用相同的tolerance， 也可以是类似于列表的值，它对每个元素应用可变tolerance。 类列表包括列表、元组、数组、序列，并且必须与索引大小相同， 其dtype必须与索引的类型完全匹配。 0.21.0版本中新增内容:(list-like tolerance) |
返回值： | Series 或 DataFrame： 与调用者相同的类型，但每个轴上的索引均已更改。 |
Notes
与调用.reindex(index=other.index, columns=other.columns,...)相同。
例子
>>> 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