pandas reindex_like() 应用相似索引

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

在 pandas 中，reindex_like() 是一个用于重新索引操作的方法。重新索引是指根据指定的索引或者列，对数据进行重新排序或者重组的过程。

语法

语法如下：

DataFrame.reindex_like(other,
                       method=None,
                       copy=None,
                       limit=None,
                       tolerance=None
                      )

返回一个与其他对象具有匹配索引的对象。使对象在所有轴上符合相同的索引。可选的填充逻辑，在先前索引中没有值的位置放置 NaN。除非新索引与当前索引等效且 copy=False，否则会生成一个新对象。

参数：

other：相同数据类型的对象
其行和列索引用于定义此对象的新索引。
method：{None，'backfill'/'bfill'，'pad'/'ffill'，'nearest'}
用于填充重新索引的 DataFrame 中空洞的方法。请注意：这仅适用于具有单调递增/递减索引的 DataFrame/Series。
- None（默认）：不填充空洞。
- pad / ffill：将最后一个有效观测值向前传播到下一个有效观测值。
- backfill / bfill：使用下一个有效观测值填充空洞。
- nearest：使用最近的有效观测值填充空洞。
copy：布尔值，默认 True
返回一个新对象，即使传递的索引与原来相同。
注意：
在 pandas 3.0 中，copy 关键字的行为将发生变化。默认将启用写时复制（Copy-on-Write），这意味着所有带有 copy 关键字的方法将使用延迟复制机制来推迟复制，并忽略 copy 关键字。在未来的 pandas 版本中，copy 关键字将被删除。
您可以通过启用写时复制来获得未来的行为和改进：pd.options.mode.copy_on_write = True。
limit：整数，默认 None
对于不精确匹配，连续标签填充的最大数量。
tolerance：可选
原始标签和新标签之间不精确匹配的最大距离。在匹配位置的索引值必须满足方程 abs(index[indexer] - target) <= tolerance。
公差可以是标量值，它对所有值应用相同的公差，也可以是类似列表的值，它为每个元素应用可变的公差。类似列表包括列表、元组、数组、Series，并且必须与索引的大小相同，其 dtype 必须与索引的类型完全匹配。

返回值：

Series 或 DataFrame
与调用者相同的类型，但每个轴上的索引都已更改。

注意：

与调用 .reindex(index=other.index, columns=other.columns,...) 相同。

示例

请查看如下示例：

>>> df1 = pd.DataFrame([[24.3, 75.7, 'high'],
...                     [31, 87.8, 'high'],
...                     [22, 71.6, 'edium'],
...                     [35, 95, 'edium']],
...                    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, 'edium']],
...                    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

Series

Series 也有此方法，逻辑与 DataFrame 的方法一致。

参考

https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.reindex_like.html
https://pandas.pydata.org/docs/reference/api/pandas.Series.reindex_like.html

< reindex() 重新设置索引 pandas 函数详细介绍 rename() 重命名索引 >

< reset_index() 重置索引 pandas 索引 Indexing rename_axis() 重命名索引名 >

更新时间：2024-07-10 14:10:57 标签：pandas python 索引