Python | Pandas data frame.reindex_like()
原文:https://www.geesforgeks.org/python-pandas-data frame-rein dex_like/
Python 是进行数据分析的优秀语言，主要是因为以数据为中心的 python 包的奇妙生态系统。 【熊猫】 就是其中一个包，让导入和分析数据变得容易多了。
熊猫 **dataframe.reindex_like()**函数返回一个匹配索引的对象给自己。任何不匹配的索引都用NaN值填充。
语法: 语法: DataFrame.reindex_like(其他，方法=无，复制=真，限制=无，容差=无)
参数: 其他:对象 方法:字符串或无 副本:布尔值，默认为真 限制:不精确匹配要填充的最大连续标签数。 公差:另一个对象的标签与该对象之间的最大距离，用于不精确匹配。可以是列表式的。
返回:重新索引:与输入相同
示例#1: 使用reindex_like()函数找到给定两个数据帧之间的匹配索引。
注意:我们可以使用任何一种填充方法(例如。ffill '，' bfill ')。
# importing pandas as pd
import pandas as pd
# Creating the first dataframe
df1 = pd.DataFrame({"A":[1, 5, 3, 4, 2],
"B":[3, 2, 4, 3, 4],
"C":[2, 2, 7, 3, 4],
"D":[4, 3, 6, 12, 7]},
index =["A1", "A2", "A3", "A4", "A5"])
# Creating the second dataframe
df2 = pd.DataFrame({"A":[10, 11, 7, 8, 5],
"B":[21, 5, 32, 4, 6],
"C":[11, 21, 23, 7, 9],
"D":[1, 5, 3, 8, 6]},
index =["A1", "A3", "A4", "A7", "A8"])
# Print the first dataframe
df1
# Print the second dataframe
df2
让我们使用dataframe.reindex_like()函数来查找匹配的索引。
# find matching indexes
df1.reindex_like(df2)
输出:
注意输出，不匹配的索引用NaN值填充，我们可以用‘ffill’方法填充缺失的值。
# filling the missing values using ffill method
df1.reindex_like(df2, method ='ffill')
输出:
注意在输出中，新的索引已经使用“A5”行填充。
示例 2: 使用reindex_like()函数匹配两个数据帧的索引，并限制填充缺失值。
# importing pandas as pd
import pandas as pd
# Creating the first dataframe
df1 = pd.DataFrame({"A":[1, 5, 3, 4, 2],
"B":[3, 2, 4, 3, 4],
"C":[2, 2, 7, 3, 4],
"D":[4, 3, 6, 12, 7]},
index =["A1", "A2", "A3", "A4", "A5"])
# Creating the second dataframe
df2 = pd.DataFrame({"A":[10, 11, 7, 8, 5],
"B":[21, 5, 32, 4, 6],
"F":[11, 21, 23, 7, 9],
"K":[1, 5, 3, 8, 6]},
index =["A1", "A2", "A3", "A4", "A7"])
# matching the indexes
df1.reindex_like(df2)
输出:
注意输出，不匹配的索引填充有NaN值，我们可以使用‘ffill’方法填充缺失的值。我们还限制了可以使用 limit 参数填充的连续不匹配索引的数量。
# match the indexes
# fill the unmatched index using 'ffill' method
# maximum consecutive unmatched indexes to be filled is 1
df.reindex_like(df1, method ='ffill', limit = 1)
输出:
