Reconstruction de l'index Pandas

重建索引 modifie les étiquettes de ligne et de colonne du DataFrame. Le réindexage consiste à faire correspondre les données à un ensemble de labels spécifiques sur un axe donné.

Des opérations multiples peuvent être effectuées via l'index, par exemple-

Réorganiser les données existantes pour correspondre à un ensemble de nouvelles étiquettes.Insérer des valeurs manquantes (NA) à des emplacements où les étiquettes ne sont pas présentes dans les données de balise.

Exemple :

　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(['Basse','Moyenne','Haute'],N).tolist(),
　　　　'D':　np.random.normal(100,　10,　size=(N)).tolist()
　})
　# Reconstruction de l'index DataFrame
　df_reindexed = df.reindex(index=[0,2,5],　columns=['A',　'C',　'B'])
　print(df_reindexed)

Résultat de l'exécution :

　　　　　　　　　　　A　　C　　B
0　　2016-01-01　　Basse　　NaN
2　　2016-01-03　　Haute　　NaN
5　　2016-01-06　　Basse　　NaN

Réindexer pour aligner avec d'autres objets

Vous pourriez vouloir obtenir un objet et le réindexer sur son axe pour qu'il soit marqué comme identique à un autre objet. Considérez l'exemple suivant pour comprendre le même contenu.

Exemple

　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)

Résultat de l'exécution :

　　　　　　　　　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

Ici, df1 DataFrame comme df2est également modifié et réindexé. Les noms de colonnes doivent correspondre, sinon des NAN seront ajoutés à l'ensemble des étiquettes de colonne.

Remplissage lors du réindexage

reindex() En utilisant le paramètre optionnel méthode, il s'agit d'une méthode de remplissage dont les valeurs sont les suivantes

pad/ffill − Remplir en avant

bfill/backfill − Remplir en arrière

nearest − Remplir à partir de l'index le plus proche

Exemple

　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'])
　# Remplir les NAN
　print　df2.reindex_like(df1)
　# Utiliser les valeurs précédentes pour remplir les NAN
　print("Fichier de données avec remplissage avant:")
　print(df2.reindex_like(df1,method='ffill'))

Résultat de l'exécution :

　　　　　　　　　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
Fichier de données avec remplissage avant
　　　　　　　　　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

Les quatre dernières lignes sont remplies.

Limitation de remplissage lors du réindexage

Le paramètre limit fournit un contrôle supplémentaire lors du réindexage. Il limite le nombre maximum de correspondances consécutives. Considérons l'exemple suivant pour comprendre le même contenu-

Exemple

　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'])
　# Remplir les NAN
　print　df2.reindex_like(df1)
　# Utiliser les valeurs précédentes pour remplir les NAN1.Cadre de données :)}}
　print(df2.reindex_like(df1,method='ffill',limit=1))

Résultat de l'exécution :

　　　　　　　　　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
Remplissage avant de limiter :1Cadre de données :
　　　　　　　　　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

Veuillez noter que la sixième ligne précédente ne remplit que la septième ligne. Ensuite, chaque ligne reste inchangée.

Renommage

Par le biais de la méthode rename(), vous pouvez redéfinir les axes en fonction de certains mappages (dictionnaire ou série) ou de toute fonction arbitraire. 　
Considérons l'exemple suivant pour comprendre cela-

　　import　pandas　as　pd
　import　numpy　as　np
　df1　=　pd.DataFrame(np.random.randn(6,3),columns=['col1','col2','col3'])
　print　df1
　print　("Après renommage des lignes et des colonnes :")
　print(df1.rename(columns={'col1'　:　'c1',　'col2'　:　'c2'},
　index　=　{0　:　'apple',　1　:　'banana',　2　:　'durian'}))

Résultat de l'exécution :

　　　　　　　　　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
Après renommage des lignes et des colonnes :
　　　　　　　　　　　　　　　　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