跳转至

Python | Pandas series.reindex_like()

原文:https://www.geesforgeks.org/python-pandas-series-rein dex_like/

熊猫系列是带有轴标签的一维数组。标签不必是唯一的，但必须是可散列的类型。该对象支持整数索引和基于标签的索引，并提供了一系列方法来执行涉及索引的操作。

熊猫 **Series.reindex_like()**函数返回一个具有匹配索引的对象作为其他对象。它使对象符合所有轴上的相同索引。

语法: Series.reindex_like(other，方法=无，复制=真，限制=无，容差=无)

参数: 其他:其行索引和列索引用于定义该对象的新索引。 方法:用于填充重新索引的数据框中的孔的方法。 复制:返回新对象，即使传递的索引相同。 限制:为不精确匹配填充的连续标签的最大数量。 公差:不精确匹配的原始标签和新标签之间的最大距离。

返回:序列或数据帧

示例#1: 使用Series.reindex_like()函数基于另一个对象重新索引给定的序列对象。

# importing pandas as pd
import pandas as pd

# Creating the first Series
sr1 = pd.Series([10, 25, 3, 11, 24, 6])

# Create the Index
index_ = ['Coca Cola', 'Sprite', 'Coke', 'Fanta', 'Dew', 'ThumbsUp']

# set the index
sr1.index = index_

# Print the series
print(sr1)

# Creating the second Series
sr2 = pd.Series([10, 25, 3, 11, 24, 6, 25, 45])

# Create the Index
index_ = ['Coca Cola', 'Sprite', 'Coke', 'Fanta',
            'Dew', 'ThumbsUp', 'Mirinda', 'Appy']

# set the index
sr2.index = index_

# Print the series
print(sr2)

输出:

现在我们将使用Series.reindex_like()函数基于 sr1 重新索引 sr2 系列对象。

# reindex sr2 using sr1
result = sr2.reindex_like(sr1)

# Print the result
print(result)

输出:

正如我们在输出中看到的，Series.reindex_like()函数已经成功地使用 sr1 对 sr2 对象进行了重新索引。额外标签的通知已被删除。

示例#2 : 使用Series.reindex_like()函数基于另一个对象重新索引给定的序列对象。

# importing pandas as pd
import pandas as pd

# Creating the first Series
sr1 = pd.Series(['New York', 'Chicago', 'Toronto', 'Lisbon', 'Rio'])

# Create the Index
index_ = ['City 1', 'City 2', 'City 3', 'City 4', 'City 5'] 

# set the index
sr1.index = index_

# Print the series
print(sr1)

# Creating the second Series
sr2 = pd.Series(['New York', 'Toronto', 'Lisbon', 'Rio'])

# Create the Index
index_ = ['City 1', 'City 3', 'City 4', 'City 5'] 

# set the index
sr2.index = index_

# Print the series
print(sr2)

输出:

现在我们将使用Series.reindex_like()函数基于 sr1 重新索引 sr2 系列对象。

# reindex sr2 using sr1
result = sr2.reindex_like(sr1)

# Print the result
print(result)

输出:

正如我们在输出中看到的那样，Series.reindex_like()函数已经成功地使用 sr1 对 sr2 对象进行了重新索引。请注意，已经使用了新增加的NaN值。

回到顶部