重置索引reindex()

重置索引 DataFrame.reindex(labels=None,index=None,columns=None,axis=None,method=None,copy=True,fill_value=nan,limit=None) method: 插值填充的方式，向前填充ffill，向后填充bfill fill_values: 引入缺失值时使用的替代值 limit: 前项或者后项填充时的最大填充量

import numpy as np
import pandas as pd
arr_0 = pd.Series([1,2,3,4,5],index=['a','b','c','d','e'])
arr_0
​
​
# ---------------------------下面是输出结果-----------------------------
a    1
b    2
c    3
d    4
e    5
dtype: int64

看下一段代码

# 重置索引不能像下面这样，重置索引是指重置原有索引
print(arr_0.reindex(['f','i','j','k','l']))
# 下面是正确的重置索引
print(arr_0.reindex(['c','b','d','e','a']))
​
​
# ---------------------------下面是输出结果------------------------------
f   NaN
i   NaN
j   NaN
k   NaN
l   NaN
dtype: float64
-------------------------------------
c    3
b    2
d    4
e    5
a    1
dtype: int64

再看下一段代码

print(arr_0)
# 重置索引时多加索引
print(arr_0.reindex(['c','b','d','e','a','f','i']))
# 给这些值为nan的索引进行值的填充
print(arr_0.reindex(['c','b','d','e','a','f','i'],fill_value=8))
​
​
# ----------------------------下面是输出结果------------------------------
a    1
b    2
c    3
d    4
e    5
dtype: int64
--------------------------------------
c    3.0
b    2.0
d    4.0
e    5.0
a    1.0
f    NaN
i    NaN
dtype: float64
--------------------------------------
c    3
b    2
d    4
e    5
a    1
f    8
i    8
dtype: int64

重置索引的最后一段代码

print(arr_0)
# 进行向前填充,参照的是原数组的最后一个元素
print(arr_0.reindex(['c','b','d','e','a','f','i'],method='ffill'))
# 进行向后填充
print(arr_0.reindex(['c','b','d','e','a','f','i'],method='bfill'))
​
​
# --------------------------------下面是输出结果----------------------------------
a    1
b    2
c    3
d    4
e    5
dtype: int64
------------------------------------
c    3
b    2
d    4
e    5
a    1
f    5
i    5
dtype: int64
-------------------------------------
c    3.0
b    2.0
d    4.0
e    5.0
a    1.0
f    NaN
i    NaN
dtype: float64

从上面可看出，使用reindex时候，要用好里面的参数,method和fill_value等等。重置索引是指将原有的索引重新按位置放，而不是取新的索引名。

索引操作

arr_1 = pd.Series([1,2,3,4,5],index=['a','b','c','d','e'])
print(arr_1)
# 对数值用下标进行索引
print(arr_1[2])
# 对数值用索引进行索引
print(arr_1['c'])
# 用位置索引进行切片
print(arr_1[2:4])
# 用索引名进行索引
print(arr_1['c':'d'])
# 通过不连续索引获得数据集
print(arr_1[[1,2,3]])
# 通过索引名来进行不连续索引
arr_1[['b','c','d']]
​
​
# ------------------------------下面是输出结果---------------------------------
a    1
b    2
c    3
d    4
e    5
dtype: int64
----------------------------------------
3
----------------------------------------
3
----------------------------------------
c    3
d    4
dtype: int64
---------------------------------------
c    3
d    4
dtype: int64
---------------------------------------
b    2
c    3
d    4
dtype: int64
---------------------------------------
b    2
c    3
d    4
dtype: int64

创建布尔类型索引对象

# 创建布尔型Series对象
arr_1_bool = arr_1>3
arr_1_bool
# 获取结果为True的数据
arr_1[arr_1_bool]
​
​
# -------------------------下面是输出结果---------------------------
a    False
b    False
c    False
d     True
e     True
dtype: bool
------------------------------
d    4
e    5
dtype: int64

DataFrame的索引操作

arr_2=np.arange(12).reshape(3,4)
arr_2
# 创建DataFrame对象，并设置
# 列名和索引名。如果不进行设置列名和索引名，默认是从0开始往后递推
arr_3=pd.DataFrame(arr_2,columns=['a','b','c','d'],index=['first','second','third'])
arr_3
# 索引b列
print(arr_3['b'])
# 获取多个不连续的Series对象
print(arr_3[['b','d']])
# 使用切片取0到1行的数据对象
print(arr_3[0:2])
#  先索引0到2行的数据，再通过不连续的列索引获取b,d列的数据
print(arr_3[0:3][['a','b']])
# 获取多列数据(用例名)
print(arr_3.loc[:,['b','a']])
# 获取多列数据的第二种方法（用位置索引）
arr_3.iloc[:,[0,1]]
​
​
# ---------------------------下面是输出结果----------------------------
    a   b   c   d
first   0   1   2   3
second  4   5   6   7
third   8   9   10  11
---------------------------------------
first     1
second    5
third     9
Name: b, dtype: int32
---------------------------------------
        b   d
first   1   3
second  5   7
third   9  11
---------------------------------------
        a  b  c  d
first   0  1  2  3
second  4  5  6  7
--------------------------------------
        a  b
first   0  1
second  4  5
third   8  9
---------------------------------------
        b  a
first   1  0
second  5  4
third   9  8
---------------------------------------
    a   b
first   0   1
second  4   5
third   8   9