Pandas Indexrekonstruktion

索引重建 ändert die Zeilen- und Spaltenbezeichner des DataFrames. Neureferenzierung bezieht sich darauf, die Daten so zu machen, dass sie mit einer bestimmten Gruppe von Labels auf einer bestimmten Achse übereinstimmen.

Viele Operationen können durch Indexing durchgeführt werden, z.B.-

Sortieren Sie vorhandene Daten neu, um eine neue Gruppe von Labels zu entsprechen.Fügen Sie fehlende Werte (NA) an Positionen von Labeln hinzu, an denen keine Daten existieren.

Beispiel:

　import　pandas　as　pd
　import　numpy　as　np
　N=20
　df = pd.DataFrame({
　　　　'A':　pd.date_range(start='2016-01-01',periods=N,freq='D'),
　　　　'x':　np.linspace(0,stop=N-1,num=N),
　　　　'y':　np.random.rand(N),
　　　　'C':　np.random.choice(['Niedrig','Mittel','Hoch'],N).tolist(),
　　　　'D':　np.random.normal(100,　10,　size=(N)).tolist()
　)
　# DataFrame-Rekonstruktion der Index
　df_reindexed = df.reindex(index=[02,5],　columns=['A',　'C',　'B'])
　print(df_reindexed)

Laufende Ergebnisse:

　　　　　　　　　　　A　　　　C　　　　　B
0　　2016-01-01　　Niedrig　　NaN
2　　2016-01-03　　Hoch　　NaN
5　　2016-01-06　　Niedrig　　NaN

Neureferenzierung, um mit anderen Objekten abzustimmen

Sie möchten möglicherweise ein Objekt erhalten und es so neu referenzieren, dass es mit einem anderen Objekt übereinstimmt. Betrachten Sie den folgenden Beispiel, um das gleiche Konzept zu verstehen.

Beispiel

　import　pandas　as　pd
　import　numpy　as　np
　df1　=　pd.DataFrame(np.random.randn(10,3),columns=['col1','col2','col3'])
　df2　=　pd.DataFrame(np.random.randn(7,3),columns=['col1','col2','col3'])
　df1　= df1.reindex_like(df2)
　print(df1)

Laufende Ergebnisse:

　　　　　　　　　col1　　　　　　　　　col2　　　　　　　　　col3
0　　　　-2.467652　　　　-1.211687　　　　-0.391761
1　　　　-0.287396　　　　　0.522350　　　　　0.562512
2　　　　-0.255409　　　　-0.483250　　　　　1.866258
3　　　　-1.150467　　　　-0.646493　　　　-0.222462
4　　　　　0.152768　　　　-2.056643　　　　　1.877233
5　　　　-1.155997　　　　　1.528719　　　　-1.343719
6　　　　-1.015606　　　　-1.245936　　　　-0.295275

Hier, df1 DataFrame wie df2wird ebenfalls geändert und neu referenziert. Die Spaltennamen sollten übereinstimmen,否则整个列标签将被添加NAN。

Füllen beim Neureferenzierten

reindex() Mit dem optionalen Parameter 'method', handelt es sich um eine Füllmethode, deren Werte wie folgt sind

pad/ffill − Füllen mit dem Wert vorwärts

bfill/backfill − Füllen mit dem Wert nach hinten

nearest − Füllen mit dem nächsten Indexwert

Beispiel

　import　pandas　as　pd
　import　numpy　as　np
　df1　=　pd.DataFrame(np.random.randn(6,3),columns=['col1','col2','col3'])
　df2　=　pd.DataFrame(np.random.randn(2,3),columns=['col1','col2','col3'])
　# Füllen von NAN
　print　df2.reindex_like(df1)
　# Füllen von NAN mit den vorherigen Werten
　print("Datenframe mit vorwärtsgefüllten Daten:")
　print(df2.reindex_like(df1,method='ffill'))

Laufende Ergebnisse:

　　　　　　　　　col1　　　　　　　　col2　　　　　　　col3
0　　　　1.311620　　　-0.707176　　　0.599863
1　　　-0.423455　　　-0.700265　　　1.133371
2　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　NaN
3　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　NaN
4　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　NaN
5　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　NaN
Datenframe mit vorwärtsgefüllten Daten:
　　　　　　　　　col1　　　　　　　　col2　　　　　　　　col3
0　　　　1.311620　　　-0.707176　　　　0.599863
1　　　-0.423455　　　-0.700265　　　　1.133371
2　　　-0.423455　　　-0.700265　　　　1.133371
3　　　-0.423455　　　-0.700265　　　　1.133371
4　　　-0.423455　　　-0.700265　　　　1.133371
5　　　-0.423455　　　-0.700265　　　　1.133371

Die letzten vier Zeilen werden gefüllt.

Beschränkung des Füllens beim Neureferenzierten

Der Parameter 'limit' bietet zusätzliche Kontrolle beim Neureferenzierten Füllen. Es beschränkt die maximale Anzahl der aufeinanderfolgenden Übereinstimmungen. Lassen Sie uns den folgenden Beispiel betrachten, um das gleiche Konzept zu verstehen-

Beispiel

　import　pandas　as　pd
　import　numpy　as　np
　　
　df1　=　pd.DataFrame(np.random.randn(6,3),columns=['col1','col2','col3'])
　df2　=　pd.DataFrame(np.random.randn(2,3),columns=['col1','col2','col3'])
　# Füllen von NAN
　print　df2.reindex_like(df1)
　# Füllen von NAN mit den vorherigen Werten1Datenrahmen:")
　print(df2.reindex_like(df1,method='ffill',limit=1))

Laufende Ergebnisse:

　　　　　　　　　col1　　　　　　　　col2　　　　　　　　col3
0　　　　0.247784　　　　2.128727　　　　0.702576
1　　　-0.055713　　　-0.021732　　　-0.174577
2　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　　NaN
3　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　　NaN
4　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　　NaN
5　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　　NaN
Vorwärtszufüllung ist begrenzt auf1Datenrahmen:
　　　　　　　　　col1　　　　　　　　col2　　　　　　　　col3
0　　　　0.247784　　　　2.128727　　　　0.702576
1　　　-0.055713　　　-0.021732　　　-0.174577
2　　　-0.055713　　　-0.021732　　　-0.174577
3　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　　NaN
4　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　　NaN
5　　　　　　　　　NaN　　　　　　　　　NaN　　　　　　　　　NaN

Beachten Sie, dass die erste Zeile nur die siebte Zeile gefüllt hat. Die anderen Zeilen bleiben unverändert.

Umbenennen

Mit dem rename() -Verfahren können Sie die Markierung der Achsen auf der Grundlage bestimmter Abstimmungen (Wörterbuch oder Serie) oder einer beliebigen Funktion neu zuweisen. 　
Lassen Sie uns das folgendermaßen betrachten, um dies zu verstehen-

　　import　pandas　as　pd
　import　numpy　as　np
　df1　=　pd.DataFrame(np.random.randn(6,3),columns=['col1','col2','col3'])
　print　df1
　print　("Nach Umbenennung von Zeilen und Spalten:")
　print(df1.rename(columns={'col1'　:　'c1',　'col2'　:　'c2'},
　index　=　{0　:　'apple',　1　:　'banana',　2　:　'durian'}))

Laufende Ergebnisse:

　　　　　　　　　col1　　　　　　　　col2　　　　　　　　col3
0　　　　0.486791　　　　0.105759　　　　1.540122
1　　　-0.990237　　　　1.007885　　　-0.217896
2　　　-0.483855　　　-1.645027　　　-1.194113
3　　　-0.122316　　　　0.566277　　　-0.366028
4　　　-0.231524　　　-0.721172　　　-0.112007
5　　　　0.438810　　　　0.000225　　　　0.435479
Nach Umbenennung von Zeilen und Spalten:
　　　　　　　　　　　　　　　　c1　　　　　　　　　　c2　　　　　　　　col3
apple　　　　　0.486791　　　　0.105759　　　　1.540122
banana　　　-0.990237　　　　1.007885　　　-0.217896
durian　　　-0.483855　　　-1.645027　　　-1.194113
3　　　　　　　　-0.122316　　　　0.566277　　　-0.366028
4　　　　　　　　-0.231524　　　-0.721172　　　-0.112007
5　　　　　　　　　0.438810　　　　0.000225　　　　0.435479