[Visualisierung der Datenanalyse] Neuindizierung von Serien und Datenrahmen

import numpy as np
import pandas as pd
from pandas import Series, DataFrame

Serie neu indizieren

s1 =  Series([1,2,3,4], index=['A','B','C','D'])
s1

A    1
B    2
C    3
D    4
dtype: int64

 # reindex新的Series索引 （查看参数快捷键shift+tab）
s1.reindex(index=['A','B','C','D','E'])

A    1.0
B    2.0
C    3.0
D    4.0
E    NaN
dtype: float64

# reindex并给空值索引赋值
s1.reindex(index=['A','B','C','D','E'],fill_value=10)

A     1
B     2
C     3
D     4
E    10
dtype: int64

# 测试reindex的赋值方式
s2 = Series(['A','B','C'],index=[1,5,10])
s2

1     A
5     B
10    C
dtype: object

# 重新索引
s2.reindex(index=range(15))

0     NaN
1       A
2     NaN
3     NaN
4     NaN
5       B
6     NaN
7     NaN
8     NaN
9     NaN
10      C
11    NaN
12    NaN
13    NaN
14    NaN
dtype: object

# 函数填充值(ffill函数将重新索引前安装区间范围依次赋值)
s2.reindex(index=range(15),method='ffill')

0     NaN
1       A
2       A
3       A
4       A
5       B
6       B
7       B
8       B
9       B
10      C
11      C
12      C
13      C
14      C
dtype: object

DataFrame neu indizieren

# 故意漏掉C
df1 = DataFrame(np.random.rand(25).reshape([5,5]), index=['A','B','D','E','F'], columns=['c1','c2','c3','c4','c5'])
df1

	c1	c2	c3	c4	c5
EIN	0,916976	0,277428	0,487468	0,392332	0,906246
B.	0,112718	0,000009	0,958650	0,890877	0,640683
D.	0,715841	0,857899	0,834954	0,134856	0,982175
E.	0,375207	0,925308	0,734072	0,583107	0,677676
F.	0,627784	0,818094	0,636362	0,417960	0,063043

# reindex恢复C-重新索引行
df1.reindex(['A','B','C','D','E','F'])

	c1	c2	c3	c4	c5
EIN	0,916976	0,277428	0,487468	0,392332	0,906246
B.	0,112718	0,000009	0,958650	0,890877	0,640683
C.	NaN	NaN	NaN	NaN	NaN
D.	0,715841	0,857899	0,834954	0,134856	0,982175
E.	0,375207	0,925308	0,734072	0,583107	0,677676
F.	0,627784	0,818094	0,636362	0,417960	0,063043

# reindex-重新索引列
df1.reindex(columns=['c1','c2','c3','c4','c5','c6'])

	c1	c2	c3	c4	c5	c6
EIN	0,916976	0,277428	0,487468	0,392332	0,906246	NaN
B.	0,112718	0,000009	0,958650	0,890877	0,640683	NaN
D.	0,715841	0,857899	0,834954	0,134856	0,982175	NaN
E.	0,375207	0,925308	0,734072	0,583107	0,677676	NaN
F.	0,627784	0,818094	0,636362	0,417960	0,063043	NaN

 # reindex-行列同时重排(新增)
df1.reindex(index=['A','B','C','D','E','F'] ,columns=['c1','c2','c3','c4','c5','c6'])

	c1	c2	c3	c4	c5	c6
EIN	0,916976	0,277428	0,487468	0,392332	0,906246	NaN
B.	0,112718	0,000009	0,958650	0,890877	0,640683	NaN
C.	NaN	NaN	NaN	NaN	NaN	NaN
D.	0,715841	0,857899	0,834954	0,134856	0,982175	NaN
E.	0,375207	0,925308	0,734072	0,583107	0,677676	NaN
F.	0,627784	0,818094	0,636362	0,417960	0,063043	NaN

# Series（减少）
s1

A    1
B    2
C    3
D    4
dtype: int64

s1.reindex(index=['A','B'])

A    1
B    2
dtype: int64

# reindex-行列同时重排(减少)
df1

	c1	c2	c3	c4	c5
EIN	0,916976	0,277428	0,487468	0,392332	0,906246
B.	0,112718	0,000009	0,958650	0,890877	0,640683
D.	0,715841	0,857899	0,834954	0,134856	0,982175
E.	0,375207	0,925308	0,734072	0,583107	0,677676
F.	0,627784	0,818094	0,636362	0,417960	0,063043

df1.reindex(['A','B'])

	c1	c2	c3	c4	c5
EIN	0,916976	0,277428	0,487468	0,392332	0,906246
B.	0,112718	0,000009	0,958650	0,890877	0,640683

# 删掉的方法
s1.drop('A')

B    2
C    3
D    4
dtype: int64

# 0行1列
df1.drop('A',axis=0)

	c1	c2	c3	c4	c5
B.	0,112718	0,000009	0,958650	0,890877	0,640683
D.	0,715841	0,857899	0,834954	0,134856	0,982175
E.	0,375207	0,925308	0,734072	0,583107	0,677676
F.	0,627784	0,818094	0,636362	0,417960	0,063043

df1.drop('c1',axis=1)

	c2	c3	c4	c5
EIN	0,277428	0,487468	0,392332	0,906246
B.	0,000009	0,958650	0,890877	0,640683
D.	0,857899	0,834954	0,134856	0,982175
E.	0,925308	0,734072	0,583107	0,677676
F.	0,818094	0,636362	0,417960	0,063043