Pandas知识点-reset_index,reindex,reindex_like，你分得清吗？
Pandas知识点-reset_index,reindex,reindex_like，你分得清吗？
reset_index()用法详解
reset_index()是pandas中将索引重置成自然数的方法，不会改变原始数据的内容和排列顺序。
DataFrame.reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill=‘’):
- level: 如果行索引是多重索引，level用于设置重置哪些等级的索引。指定目标等级的索引用 int,str,tuple,list 等，默认None。
- drop: 重置索引后，是否将原来的行索引删除，默认False，不删除行索引，保存成df中的一列。
- inplace: 是否对数据本身进行修改，默认False，不修改数据本身，而是创建一个新的df对象。
- col_level: 如果列索引是多重索引，设置新的一列数据的索引增加到哪个等级。int or str，默认0。
- col_fill: 如果列索引是多重索引，设置新的一列数据的的其他等级的列索引名。object，默认空字符。
Series的reset_index()没有后两个参数col_level和col_fill，有一个功能相似的name参数。
# coding=utf-8
import pandas as pd
df = pd.DataFrame({'Col-1': [1, 3, 5], 'Col-2': [5, 7, 9]}, index=['A', 'B', 'C'])
print(df)
df1 = df.reset_index()
print(df1)
df.reset_index(drop=True, inplace=True)
print(df)
Output:
Col-1 Col-2
A 1 5
B 3 7
C 5 9
index Col-1 Col-2
0 A 1 5
1 B 3 7
2 C 5 9
Col-1 Col-2
0 1 5
1 3 7
2 5 9
reindex()用法详解
reindex()是pandas中实现数据对齐的基本方法，对齐是指沿着指定轴，让数据与给定的一组标签（行列索引）进行匹配。
DataFrame.reindex(labels=None, index=None, columns=None, axis=None, method=None, copy=None, level=None, fill_value=nan, limit=None, tolerance=None):
- labels: 新的行索引/列标签序列，设置行还是设置列与axis参数指定的轴一致。
- axis: 指定重新对齐的轴。可以是轴名称（“index”,“columns”）或数字（0,1），默认为行索引。
- index: 设置重新对齐后的行索引。
- columns: 设置重新对齐后的列索引。
- fill_value: 重新对齐数据后，指定用于填充缺失值的标量，默认填充空值NaN。
- method: 重新对齐数据后，用于设置空值的填充方式，可选的填充方式有: {None, “backfill”/“bfill”, “pad”/“ffill”}，“backfill”/"bfill"表示用前一个索引对应的值填充，“pad”/"ffill"表示用后一个索引对应的值填充。注意：这里的前一个和后一个不是数据写入的顺序，而是根据索引字符的ASCII编码顺序进行排序。
- limit: 设置向前填充或向后填充的最大连续元素数。
- copy: 即使传递的索引相同，也返回一个新的对象。
- level: 跨级别广播，如果索引是多重索引，指定索引的级别。
- tolerance: 不精确匹配的原始标签和新标签之间的最大距离，在匹配位置处索引的值最符合方程abs(index[indexer] - target) <= tolerance。
reindex()可以给Series、DataFrame重设索引、添加索引或删除索引，具体的体现方式为：
- 让现有数据匹配一组新标签、并重新排序。
- 在无数据但有标签的位置插入空值NaN，也支持按逻辑填充数据。
为了方便理解，具体看下面的示例。
df = pd.DataFrame({'Col-1': [1, 3, 5], 'Col-2': [5, 7, 9]}, index=['A', 'B', 'C'])
print(df)
# 默认传给labels参数
df2 = df.reindex(['C', 'B', 'A'])
print(df2)
Output:
Col-1 Col-2
A 1 5
B 3 7
C 5 9
Col-1 Col-2
C 5 9
B 3 7
A 1 5
最基本的用法，将重新排序的索引传给labels参数，上面的例子中将[‘A’, ‘B’, ‘C’]重新按[‘C’, ‘B’, ‘A’]进行对齐。
# 指定重设的是行索引还是列索引，默认是行索引
df3 = df.reindex(['Col-2', 'c3', 'Col-1'], axis='columns')
print(df3)
# 同时调整行和列
df4 = df.reindex(index=['C', 'B', 'A'], columns=['Col-2', 'c3', 'Col-1'])
print(df4)
Output:
Col-2 c3 Col-1
A 5 NaN 1
B 7 NaN 3
C 9 NaN 5
Col-2 c3 Col-1
C 9.0 NaN 5.0
B 7.0 NaN 3.0
A 5.0 NaN 1.0
不管是行还是列，都可以根据传入reindex()中的标签列表扩充或裁剪DataFrame，扩充时默认在扩充的位置添加空值，裁剪时相当于DataFrame的切片操作。
# 无值的位置默认填充空值
df5 = df.reindex(['B', 'C', 'D'])
print(df5)
# 给无值的位置指定值
df6 = df.reindex(['B', 'C', 'D'], fill_value=100)
print(df6)
Output:
Col-1 Col-2
B 3.0 7.0
C 5.0 9.0
D NaN NaN
Col-1 Col-2
B 3 7
C 5 9
D 100 100
使用fill_value参数将扩充的位置填充成指定的值。
# 向前填充：用前一个有值的值填充
df7 = df.reindex(['1', '2', 'A', 'B', 'C', 'D', 'E'], method='ffill')
print(df7, '\n', end='*'*30+'\n')
# 向后填充：用后一个有值的值填充
df8 = df.reindex(['1', '2', 'A', 'B', 'C', 'D', 'E'], method='bfill')
print(df8)
Output:
Col-1 Col-2
1 NaN NaN
2 NaN NaN
A 1.0 5.0
B 3.0 7.0
C 5.0 9.0
D 5.0 9.0
E 5.0 9.0
******************************
Col-1 Col-2
1 1.0 5.0
2 1.0 5.0
A 1.0 5.0
B 3.0 7.0
C 5.0 9.0
D NaN NaN
E NaN NaN
使用method参数设置向前填充还是向后填充。
reindex_like()用法详解
reindex_like()是用另一个DataFrame的索引来更新当前DataFrame的索引，如果是原数据中不存在的索引值，则默认填充空值NaN，也可以使用method参数设置向前填充还是向后填充。注意：reindex_like()中没有fill_value参数，不支持用指定值填充。
DataFrame.reindex_like(other, method=None, copy=True, limit=None, tolerance=None):
- other: 指定另一个DataFrame，用other指定的DataFrame的索引来更新当前DataFrame的索引。
- method, copy, limit, tolerance同reindex()。
dfa = pd.DataFrame({'Col-1': [1, 3, 5], 'Col-2': [5, 7, 9]}, index=['A', 'B', 'C'])
print(dfa)
dfb = pd.DataFrame({'Col-1': [1, 3, 5, 7, 9], 'Col-2': [2, 4, 6, 8, 10]},
index=['A', 'B', 'C', 'D', 'E'])
print(dfb, '\n', end='*'*30+'\n')
dfc = dfa.reindex_like(dfb)
print(dfc)
Output:
Col-1 Col-2
A 1 5
B 3 7
C 5 9
Col-1 Col-2
A 1 2
B 3 4
C 5 6
D 7 8
E 9 10
******************************
Col-1 Col-2
A 1.0 5.0
B 3.0 7.0
C 5.0 9.0
D NaN NaN
E NaN NaN
以上就是pandas中reset_index(), reindex()和reindex_like()的用法介绍，本文可以帮助你分清它们的用法区别。欢迎点赞、收藏、评论和关注。
参考文档：
[1] pandas中文网：https://www.pypandas.cn/docs/
相关阅读：
Pandas知识点-读写Excel最全参数总结（收藏）
欢迎 点赞 收藏⭐ 评论 关注❤ 如有错误敬请指正！
☟ 学Python，点击下方名片关注我。☟