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 也可以是类似于列表的值， 它对每个元素应用可变 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
1）将一个 DataFrame 的索引和列对齐到另一个 DataFrame
import pandas as pd import numpy as np df1 = pd.DataFrame([[1, 2], [3, 4]], columns=['A', 'B'], index=['x', 'y']) df2 = pd.DataFrame([[5, 6, 7]], columns=['A', 'B', 'C'], index=['y']) # 让 df1 的结构与 df2 对齐 result = df1.reindex_like(df2) print(result)
2）配合填充方法使用
import pandas as pd import numpy as np df3 = pd.DataFrame([[np.nan, 2], [3, 4]], columns=['A', 'B'], index=['x', 'y']) df_like = pd.DataFrame([[0, 0]], columns=['A', 'B'], index=['x']) print(df3.reindex_like(df_like, method='ffill'))
3）使用 reindex_like() 对齐两个 DataFrame 的结构
import pandas as pd
# 原始 DataFrame df1，包含三列数据，按日期索引
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'))
# df2 只有部分列和部分索引
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']))
# 将 df2 的索引和列结构重新对齐为与 df1 一致
aligned_df = df2.reindex_like(df1)
# 输出结果
print(aligned_df)