s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e']) print(s.reindex(['e', 'a', 'c', 'b', 'g']))
e -1.019419 a -1.969583 c -0.622471 b 0.018110 g NaN dtype: float641、1、2 与其他对象对齐
s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e']) s1 = pd.Series(np.random.randn(7), index=['a', 'b', 'c', 'd', 'e', 'f', 'g']) print(s1.reindex_like(s))
#对齐前： a 0.858259 b -0.473204 c -1.610665 d -0.032633 e -1.232306 f -0.095461 g -1.742095 dtype: float64 #对齐后： a 0.858259 b -0.473204 c -1.610665 d -0.032633 e -1.232306 dtype: float64
也可通过共享轴标签对齐。
s = pd.Series(np.random.randn(7), index=['a', 'b', 'c', 'd', 'e', 'f', 'g']) s1 = pd.Series(np.random.randn(3), index=['a', 'c', 'f']) print(s1.reindex(s.index))
a -0.148640 b NaN c 0.336717 d NaN e NaN f 0.329316 g NaN dtype: float641、2 Dataframe 1、2、1 自定义索引
1、2、1、1 行
df = pd.Dataframe({'one': [2, 6, 4], 'two': [5, 7, 10], 'three': [4, 8, 8]}, index=['a', 'b', 'c'])
print(df.reindex(['c', 'h', 'a'], axis='index'))
one two three c 4.0 10.0 8.0 h NaN NaN NaN a 2.0 5.0 4.0
1、2、1、2 列
print(df.reindex(['three', 'one', 'two'], axis='columns'))
three one two a 4 2 5 b 8 6 7 c 8 4 10
1、2、1、3 行、列
print(df.reindex(index= ['c', 'a', 'b'], columns=['three', 'two', 'one']))
three two one c 8 10 4 a 4 5 2 b 8 7 61、2、2 与其他对象对齐
df = pd.Dataframe({'one': [2, 6, 4], 'two': [5, 7, 10], 'three': [4, 8, 8]}, index=['a', 'b', 'c'])
df1 = pd.Dataframe({'one': [2, 6, 4, 12], 'two': [5, 7, 10, 45], 'three': [4, 8, 9, 23], 'four': [5, 19, 2, 89]}, index=['a', 'b', 'c', 'd'])
print(df1.reindex_like(df))
# 对齐前： one two three four a 2 5 4 5 b 6 7 8 19 c 4 10 9 2 d 12 45 23 89 # 对齐后： one two three a 2 5 4 b 6 7 8 c 4 10 92、填充索引 2、1 Series 2、1、1 填充方向
2、1、1、1 索引需要排序
| 方法 | 动作 |
|---|---|
| pad / ffill | 先前填充 |
| bfill / backfill | 向后填充 |
| nearest | 从最近的索引值填充 |
s1的索引需要按递增或递减排序。
s = pd.Series(np.random.randn(7), index=['h', 'b', 'c', 'd', 'e', 'f', 'g']) s1 = pd.Series(np.random.randn(3), index=['a', 'c', 'f']) print(s1.reindex(s.index, method='ffill')) #向前填充 print(s1.reindex(s.index, method='bfill')) #向后填充
a -0.035560 b NaN c 1.289840 d NaN e NaN f -0.887376 g NaN dtype: float64 #向前填充： a -0.035560 b -0.035560 c 1.289840 d 1.289840 e 1.289840 f -0.887376 g -0.887376 dtype: float64 #向后填充： a -0.035560 b 1.289840 c 1.289840 d -0.887376 e -0.887376 f -0.887376 g NaN dtype: float64
不知道什么原因，调用nearest方法，将索引换为数字则不会影响。
2、1、1、2 索引不需排序
print(s1.reindex(s.index).fillna(method='ffill'))
a -0.120874 b -0.120874 c 0.339105 d 0.339105 e 0.339105 f 0.734595 g 0.734595 dtype: float642、1、2 填充数量
2、1、2、1 limit
限制连续匹配的最大数量。
print(s1.reindex(s.index, method='ffill', limit=1))
a 0.176983 b 0.176983 c -1.678991 d -1.678991 e NaN f -0.075107 g -0.075107 dtype: float64
2、1、2、2 tolerance
2、2 Dataframe 3、重命名rename()支持按不同的轴基于映射（字典或 Series）调整标签。
3、1 Series调用的是函数，该函数在处理标签时，必须返回唯一一个值。
print(s.rename(str.upper))
A -1.752828 B -0.158358 C -1.238692 D 0.128135 E -2.204282 F 0.703956 G -0.039073 dtype: float64
rename()还支持用标量或列表更改 Series.name 属性。
print(s.rename('series-1'))
a -0.871909 b 0.714525 c 0.896795 d 1.439972 e 1.023890 f -0.524506 g -0.519692 Name: series-1, dtype: float643、2 Dataframe
3、2、1 行
print(df.rename({'one': 'fir', 'two': 'sec', 'three': 'thi'}, axis=1))
fir sec thi a 2 5 4 b 6 7 8 c 4 10 8
3、2、2 列
print(df.rename({'a': 1, 'b': 2, 'c': 3}, axis=0))
one two three 1 2 5 4 2 6 7 8 3 4 10 8
3、2、3 行/列
print(df.rename(index={'a': 1, 'b': 2, 'c': 3}, columns={'one': 'fir', 'two': 'sec', 'three': 'thi'}))
fir sec thi 1 2 5 4 2 6 7 8 3 4 10 84、迭代 4、1 Series 4、2 Dataframe
one two three a 2 5 4 b 6 7 8 c 4 10 84、2、1 item()
以列为基准进行迭代，第一个返回值为列标签。
for a, b in df.items():
print(a)
print(b)
one a 2 b 6 c 4 Name: one, dtype: int64 two a 5 b 7 c 10 Name: two, dtype: int64 three a 4 b 8 c 8 Name: three, dtype: int644、2、2 iterrows()
以行为基准进行迭代，第一个返回值为行标签，第二个返回值为每行数据的 Seies。
for a, b in df.iterrows():
print(a)
print(b)
a one 2 two 5 three 4 Name: a, dtype: int64 b one 6 two 7 three 8 Name: b, dtype: int64 c one 4 two 10 three 8 Name: c, dtype: int64
还可以用来实现矩阵转置。
df1 = pd.Dataframe({a: b for a, b in df.iterrows()})
a b c one 2 6 4 two 5 7 10 three 4 8 84、2、3 itertuples()
以行为基准，返回值为包含每行数据的元组。与iterrows()不同，并不会把行转换为Series。
for a in df.itertuples():
print(a)
Pandas(Index='a', one=2, two=5, three=4) Pandas(Index='b', one=6, two=7, three=8) Pandas(Index='c', one=4, two=10, three=8)5、排序 5、1 Series 5、1、1 按索引排序
s1 = pd.Series(np.random.randn(5), index=['b', 'c', 'a', 'd', 'e']) print(s1.sort_index())
a 1.706496 b -0.594099 c -1.233872 d -0.574698 e -0.094711 dtype: float645、1、2 按值排序
s1 = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e']) print(s1.sort_values())
e -1.799285 b -1.652728 c -0.540896 d 0.100869 a 1.750447 dtype: float645、1、3 搜索排序
s = pd.Series([1, 2, 3, 4, 5, 6, 7], index=['a', 'b', 'c', 'd', 'e', 'f', 'g']) print(s.searchsorted([0, 5], side='left')) print(s.searchsorted([0, 5], side='right'))
[0 4] [0 5]5、1、4 最大值最小值
s1 = pd.Series(np.random.randn(5), index=['b', 'c', 'a', 'd', 'e']) print(s1.nlargest(3)) print(s1.nsmallest(3))
c 1.925964 a 0.351660 e 0.086050 dtype: float64 d -2.126804 b -0.702141 e 0.086050 dtype: float645、2 Dataframe 5、2、1 按索引排序
5、2、1、1
正序：
df = pd.Dataframe({'one': [2, 6, 4], 'two': [5, 7, 10], 'three': [4, 8, 8]}, index=['b', 'a', 'c'])
print(df.sort_index())
one two three a 6 7 8 b 2 5 4 c 4 10 8
倒序：
print(df.sort_index(ascending=False))
one two three c 4 10 8 b 2 5 4 a 6 7 8
5、2、1、2
默认对行标签排序，也可以对列标签进行排序。
df = pd.Dataframe({'three': [2, 6, 4], 'two': [5, 7, 10], 'one': [4, 8, 8]}, index=['b', 'a', 'c'])
print(df.sort_index(axis=1))
one three two b 4 2 5 a 8 6 7 c 8 4 105、2、2 按值排序
by用于指定按哪列排序，该参数的值可以是一列或多列数据。
df = pd.Dataframe({'three': [12, 6, 4], 'two': [15, 7, 10], 'one': [4, 8, 8]}, index=['b', 'a', 'c'])
print(df.sort_values(by=['two', 'three']))
three two one a 6 7 8 c 4 10 8 b 12 15 45、2、3 混合排序 5、2、4 最大值最小值
df = pd.Dataframe({'three': [12, 6, 4], 'two': [15, 7, 10], 'one': [4, 8, 8]}, index=['b', 'a', 'c'])
print(df.nlargest(3, 'one'))
print(df.nsmallest(3, ['one', 'two']))
three two one a 6 7 8 c 4 10 8 b 12 15 4 three two one b 12 15 4 a 6 7 8 c 4 10 8
