pandas.DataFrame.reindex # 数据框。reindex ( labels = None , * , index = None , columns = None , axis = None , method = None , copy = None , level = None , fill_value = nan , limit = None , Tolerance = None ) [来源] # 使用可选的填充逻辑使 DataFrame 符合新索引。 将 NA/NaN 放置在前一个索引中没有值的位置。除非新索引等于当前索引 和 ，否则将生成一个新对象 copy=False。 参数： 标签类似数组，可选新标签/索引以符合“axis”指定的轴。 类似索引数组，可选索引的新标签。最好是 Index 对象以避免重复数据。 columns类似数组，可选列的新标签。最好是 Index 对象以避免重复数据。 axis int 或 str，可选轴到目标。可以是轴名称（“索引”、“列”）或数字（0、1）。 方法{无，'backfill'/'bfill'，'pad'/'ffill'，'最近'}用于填充重新索引的 DataFrame 中的漏洞的方法。请注意：这仅适用于具有单调递增/递减索引的 DataFrames/Series。 None（默认）：不填补空白 pad / fill：将最后一个有效观察向前传播到下一个有效观察。 backfill / bfill：使用下一个有效观察来填补空白。 最近的：使用最近的有效观察来填补空白。 复制布尔值，默认 True返回一个新对象，即使传递的索引相同。 笔记 copy关键字将改变 pandas 3.0 中的行为 。默认情况下会启用Copy-on-Write ，这意味着所有带有 copy关键字的方法都将使用惰性复制机制来推迟复制并忽略copy关键字。 copy关键字将在 pandas 的未来版本中删除。 您已经可以通过启用写入时复制来获得未来的行为和改进pd.options.mode.copy_on_write = True level整数或名称跨级别广播，匹配传递的多索引级别上的索引值。 fill_value标量，默认 np.nan用于缺失值的值。默认为 NaN，但可以是任何“兼容”值。 limit int，默认无向前或向后填充的连续元素的最大数量。 公差可选不精确匹配的原始标签和新标签之间的最大距离。匹配位置处的索引值最满足方程。abs(index[indexer] - target) <= tolerance 公差可以是标量值，它对所有值应用相同的公差，也可以是类似列表的，它对每个元素应用可变的公差。类列表包括列表、元组、数组、系列，并且必须与索引大小相同，并且其数据类型必须与索引的类型完全匹配。 返回： 索引已更改的 DataFrame。 也可以看看 DataFrame.set_index设置行标签。 DataFrame.reset_index删除行标签或将其移动到新列。 DataFrame.reindex_like更改为与其他 DataFrame 相同的索引。 例子 DataFrame.reindex支持两种调用约定 (index=index_labels, columns=column_labels, ...) (labels, axis={'index', 'columns'}, ...) 我们强烈建议使用关键字参数来阐明您的意图。 使用一些虚构数据创建一个数据框。 >>> 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) >>> df http_status response_time Firefox 200 0.04 Chrome 200 0.02 Safari 404 0.07 IE10 404 0.08 Konqueror 301 1.00 创建一个新索引并重新索引数据帧。默认情况下，会分配新索引中在数据帧中没有对应记录的值NaN。 >>> new_index = ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ... 'Chrome'] >>> df.reindex(new_index) http_status response_time Safari 404.0 0.07 Iceweasel NaN NaN Comodo Dragon NaN NaN IE10 404.0 0.08 Chrome 200.0 0.02 我们可以通过将值传递给关键字来填充缺失的值fill_value。由于索引不是单调递增或递减，因此我们不能使用关键字的参数来 method填充NaN值。 >>> df.reindex(new_index, fill_value=0) http_status response_time Safari 404 0.07 Iceweasel 0 0.00 Comodo Dragon 0 0.00 IE10 404 0.08 Chrome 200 0.02 >>> df.reindex(new_index, fill_value='missing') http_status response_time Safari 404 0.07 Iceweasel missing missing Comodo Dragon missing missing IE10 404 0.08 Chrome 200 0.02 我们还可以重新索引列。 >>> df.reindex(columns=['http_status', 'user_agent']) http_status user_agent Firefox 200 NaN Chrome 200 NaN Safari 404 NaN IE10 404 NaN Konqueror 301 NaN 或者我们可以使用“axis-style”关键字参数 >>> df.reindex(['http_status', 'user_agent'], axis="columns") http_status user_agent Firefox 200 NaN Chrome 200 NaN Safari 404 NaN IE10 404 NaN Konqueror 301 NaN 为了进一步说明 中的填充功能 reindex，我们将创建一个具有单调递增索引的数据框（例如，日期序列）。 >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ... index=date_index) >>> df2 prices 2010-01-01 100.0 2010-01-02 101.0 2010-01-03 NaN 2010-01-04 100.0 2010-01-05 89.0 2010-01-06 88.0 假设我们决定扩展数据框以覆盖更广泛的日期范围。 >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2) prices 2009-12-29 NaN 2009-12-30 NaN 2009-12-31 NaN 2010-01-01 100.0 2010-01-02 101.0 2010-01-03 NaN 2010-01-04 100.0 2010-01-05 89.0 2010-01-06 88.0 2010-01-07 NaN 原始数据框中没有值的索引条目（例如“2009-12-29”）默认填充为NaN。如果需要，我们可以使用多个选项之一来填充缺失值。 例如，要反向传播最后一个有效值来填充值NaN ，请将其bfill作为参数传递给method关键字。 >>> df2.reindex(date_index2, method='bfill') prices 2009-12-29 100.0 2009-12-30 100.0 2009-12-31 100.0 2010-01-01 100.0 2010-01-02 101.0 2010-01-03 NaN 2010-01-04 100.0 2010-01-05 89.0 2010-01-06 88.0 2010-01-07 NaN 请注意，NaN原始数据帧中存在的值（索引值 2010-01-03）不会由任何值传播方案填充。这是因为重新索引时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。 请参阅用户指南了解更多信息。