本文共 4822 字，大约阅读时间需要 16 分钟。

rename、reindex、set_index区别

rename、reindex、set_index都是pandas中对索引操作的主要方法，它们的区别如下

方法	适用场景	调用方法	备注
rename	传入字典或函数修改索引的名称，即轴标签名，只能对现有轴标签重命名，不能新增或删减索引，	df.rename(dict1)	当dict1中包含不存在的索引时，参数errors，可以设定捕捉错误或忽略
reindex	返回一个符合新索引的DataFrame，之前不存在的索引，用NaN填充。	df.reindex(new_index)	参数copy=True时，即使新索引与旧索引相同，也会返回新对象
set_index	将一列数据设置为索引	df.set_index(‘col_name’)	参数drop=True，将作为索引的列删除。

1,rename详解

(1) 语法格式

DataFrame.rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None, errors='ignore')

(2) 参数说明

mapper：dict 或者 函数，旧轴标签与新轴标签的对应关系，与axis连用，已确定修改哪个轴向上的轴标签。 index：dict 或者 函数，旧轴标签与新轴标签的对应关系，等价于 (mapper, axis=0)。 columns：dict 或者 函数，旧轴标签与新轴标签的对应关系，等价于 (mapper, axis=1)。 axis：轴向，与mapper连用，已确定修改哪个轴标签。 inplace：bool，默认False，若为True，则直接修改原对象的轴标签。 level：分层索引时，指定修改哪一层轴标签。 errors：当字典中包含不存在的轴标签时，捕捉错误还是忽略。

(3) demo

frame = pd.DataFrame(np.arange(9).reshape((3, -1)), \                     index=list('bce'), \                     columns=['Ohio', 'Texas', 'Callfornis'])frame.rename(index={
   'b': 'B', 'c': 'C', 'e': 'E'}, inplace=True)  # 直接修改原对象print(frame)"""   Ohio  Texas  CallfornisB     0      1           2C     3      4           5E     6      7           8"""frame1 = frame.rename(mapper={
   'B': 'Bb', 'C': 'Cc', 'E': 'Ee'}, axis=0) # mapper,axis方式"""    Ohio  Texas  CallfornisBb     0      1           2Cc     3      4           5Ee     6      7           8"""frame2 = frame.rename(columns=str.upper) # 传入函数，转换成大写"""   OHIO  TEXAS  CALLFORNISB     0      1           2C     3      4           5E     6      7           8"""frame.rename(index={
   'B': 'Bb', 'C': 'Cc', 'D': 'De', 'E': 'Ee'}, errors='raise')  # 不存在的轴标签，捕捉错误"""KeyError: "['D'] not found in axis"""

2,reindex详解

(1) 语法格式

DataFrame.reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None)

(2) 参数说明

labels：新的索引序列，与参数axis使用，已确定新索引的轴向。 index：0轴方向的索引。 columns：1轴方向的索引。 axis：轴向，与labels一起使用。 method：重建索引时插值的方法，因为需要获取前一个/后一个索引对应的数据，所以这仅适用于递增/递减的索引。‘backfill’/’bfill’，后向填充，用后一个索引对应的数据来插值，pad’/’ffill’’，前向填充，用前一个索引对应的数据来插值。 copy：是否返回副本； level：分层索引时，新索引在哪一层。 fill_value：重建索引后缺失数据的填充值，默认np.NaN。 limit：前向/后向填充时，填充的最大尺寸。

(3) demo

frame = pd.DataFrame(np.arange(9).reshape((3, -1)), \                     index=list('bce'), \                     columns=['Ohio', 'Texas', 'Callfornis'])new_index = ['a', 'b', 'd']frame1 = frame.reindex(index=new_index)  # 参数 index 则作用于行索引"""   Ohio  Texas  Callfornisa   NaN    NaN         NaNb   0.0    1.0         2.0d   NaN    NaN         NaN"""frame2 = frame.reindex(labels=new_index, axis=0)  # label 与 axis 同时使用"""   Ohio  Texas  Callfornisa   NaN    NaN         NaNb   0.0    1.0         2.0d   NaN    NaN         NaN"""# methon 这仅适用于索引单调递增/递减的df，缺失值需要根据索引顺序取值new_index = ['a', 'b', 'd', 'e', 'f', 'g']frame3 = frame.reindex(index=new_index, method='pad')"""  a 没有前一行所以为NaN   Ohio  Texas  Callfornisa   NaN    NaN         NaNb   0.0    1.0         2.0d   3.0    4.0         5.0e   6.0    7.0         8.0f   6.0    7.0         8.0g   6.0    7.0         8.0"""frame4 = frame.reindex(index=new_index, method='pad', limit=1)  # limit 与 method 连用 限制填充行/列数"""   Ohio  Texas  Callfornisa   NaN    NaN         NaNb   0.0    1.0         2.0d   3.0    4.0         5.0e   6.0    7.0         8.0f   6.0    7.0         8.0g   NaN    NaN         NaN"""frame5 = frame.reindex(index=new_index, fill_value=0)  # 用0填充缺失数据"""   Ohio  Texas  Callfornisa     0      0           0b     0      1           2d     0      0           0e     6      7           8f     0      0           0g     0      0           0"""

3,set_index详解

(1) 语法格式

DataFrame.set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False)

(2) 参数说明

keys：列名，可以是单个列名，或者列名组合， Series, Index, np.ndarray, and instances of Iterator.。 drop：bool，是否删除作为索引的列，默认为True。 append：bool，是否将列作为索引，而不删除原来的索引，默认为True。 inplace：bool，是否直接修改原对象，默认为False，则会产生一个新对象。 verify_integrity：bool，是否检验新索引包含重复值，默认为False。

(3) demo

df = pd.DataFrame({
   'month': [1, 4, 7, 10],                     'year': [2012, 2014, 2013, 2014],                     'sale': [55, 40, 84, 31]})df1 = df.set_index('month')"""       year  salemonth            1      2012    554      2014    407      2013    8410     2014    31"""df2 = df.set_index(['year', 'month'])  # 两列一起作为索引，形成分层索引"""            saleyear month      2012 1        552014 4        402013 7        842014 10       31"""df3 = df.set_index([pd.Index([1, 2, 3, 4]), 'year'])  # 将index对象和列名作为索引"""        month  sale  year             1 2012      1    552 2014      4    403 2013      7    844 2014     10    31"""s = pd.Series(['a', 'b', 'c', 'd'])df4 = df.set_index(s,append=True)   # 将Series append为索引，而不删除原来的索引"""     month  year  sale0 a      1  2012    551 b      4  2014    402 c      7  2013    843 d     10  2014    31"""

转载地址：https://blog.csdn.net/yangjjuan/article/details/104704407 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！