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（如 method 或 fill_value）将 DataFrame 对齐到新的索引。
对于在新索引中但不在原索引中的位置，将填充为 NA/NaN。
如果新索引与原索引不完全相同，且未显式设置 copy=False，则返回一个新的 DataFrame 对象。
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) 2) 将上一个有效观察值向前传播到下一个有效值。 3) 使用下一个有效观察值填充空白。 4) 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 fill_value : 用于缺失值的值。默认为 但可以是任何“compatible”值。 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 也可以是类似列表的值， 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'}, ...)
1）基本行重排（默认填充 NaN）
import pandas as pd
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)
new_index = ['Safari', 'Iceweasel',
'Comodo Dragon', 'IE10', 'Chrome']
reindexed_df = df.reindex(new_index)
print(reindexed_df)
2）使用 fill_value 填充缺失数据
import pandas as pd
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)
new_index = ['Safari', 'Iceweasel',
'Comodo Dragon', 'IE10', 'Chrome']
# 填充缺失数据为 0
filled_df = df.reindex(new_index, fill_value=0)
print(filled_df)
# 填充为字符串 'missing'
filled_str_df = df.reindex(new_index,
fill_value='missing')
print(filled_str_df)3）重新排列列
import pandas as pd
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)
new_index = ['Safari', 'Iceweasel',
'Comodo Dragon', 'IE10', 'Chrome']
# 添加一个不存在的新列 'user_agent'
df_col_reindexed = df.reindex(columns=['http_status', 'user_agent'])
print(df_col_reindexed)
# 或者使用 axis='columns' 参数
df_col_axis = df.reindex(['http_status', 'user_agent'], axis='columns')
print(df_col_axis)
4）日期索引扩展并填充（时间序列处理）
import pandas as pd
import numpy as np
date_index = pd.date_range('2010-01-01', periods=6, freq='D')
df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, index=date_index)
# 扩展索引范围
date_index2 = pd.date_range('2009-12-29', periods=10, freq='D')
df2_expanded = df2.reindex(date_index2)
print(df2_expanded)
5）使用 method='bfill' 进行后向填充
import pandas as pd
import numpy as np
date_index = pd.date_range('2010-01-01',
periods=6, freq='D')
df2 = pd.DataFrame({"prices": [100, 101,
np.nan, 100, 89, 88]}, index=date_index)
# 扩展索引范围
date_index2 = pd.date_range('2009-12-29',
periods=10, freq='D')
df2_expanded = df2.reindex(date_index2)
df2_bfill = df2.reindex(date_index2,
method='bfill')
print(df2_bfill)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。