Pandas中文官檔~基礎(chǔ)用法4

重置索引與更換標(biāo)簽

reindex() 是 pandas 里實現(xiàn)數(shù)據(jù)對齊的基本方法精钮，該方法執(zhí)行幾乎所有功能都要用到的標(biāo)簽對齊功能。 reindex 指的是沿著指定軸，讓數(shù)據(jù)與給定的一組標(biāo)簽進行匹配蜜猾。該功能完成以下幾項操作：

讓現(xiàn)有數(shù)據(jù)匹配一組新標(biāo)簽今膊，并重新排序；
在無數(shù)據(jù)但有標(biāo)簽的位置插入缺失值（NA）標(biāo)記；
如果指定扎附，則按邏輯填充無標(biāo)簽的數(shù)據(jù)抠忘，該操作多見于時間序列數(shù)據(jù)撩炊。

示例如下：

In [196]: s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])

In [197]: s
Out[197]: 
a    1.695148
b    1.328614
c    1.234686
d   -0.385845
e   -1.326508
dtype: float64

In [198]: s.reindex(['e', 'b', 'f', 'd'])
Out[198]: 
e   -1.326508
b    1.328614
f         NaN
d   -0.385845
dtype: float64

本例中，原 Series 里沒有標(biāo)簽 f 崎脉，因此衰抑，輸出結(jié)果里 f 對應(yīng)的值為 NaN。

DataFrame 支持同時 reindex 索引與列：

In [199]: df
Out[199]: 
        one       two     three
a  1.394981  1.772517       NaN
b  0.343054  1.912123 -0.050390
c  0.695246  1.478369  1.227435
d       NaN  0.279344 -0.613172

In [200]: df.reindex(index=['c', 'f', 'b'], columns=['three', 'two', 'one'])
Out[200]: 
      three       two       one
c  1.227435  1.478369  0.695246
f       NaN       NaN       NaN
b -0.050390  1.912123  0.343054

reindex 還支持 axis 關(guān)鍵字：

In [201]: df.reindex(['c', 'f', 'b'], axis='index')
Out[201]: 
        one       two     three
c  0.695246  1.478369  1.227435
f       NaN       NaN       NaN
b  0.343054  1.912123 -0.050390

注意：不同對象可以共享 Index 包含的軸標(biāo)簽荧嵌。比如呛踊，有一個 Series砾淌，還有一個 DataFrame，可以執(zhí)行下列操作：

In [202]: rs = s.reindex(df.index)

In [203]: rs
Out[203]: 
a    1.695148
b    1.328614
c    1.234686
d   -0.385845
dtype: float64

In [204]: rs.index is df.index
Out[204]: True

這里指的是谭网，重置后汪厨，Series 的索引與 DataFrame 的索引是同一個 Python 對象。

0.21.0 版新增愉择。

DataFrame.reindex() 還支持 “軸樣式”調(diào)用習(xí)語劫乱，可以指定單個 labels 參數(shù)，并指定應(yīng)用于哪個 axis锥涕。

In [205]: df.reindex(['c', 'f', 'b'], axis='index')
Out[205]: 
        one       two     three
c  0.695246  1.478369  1.227435
f       NaN       NaN       NaN
b  0.343054  1.912123 -0.050390

In [206]: df.reindex(['three', 'two', 'one'], axis='columns')
Out[206]: 
      three       two       one
a       NaN  1.772517  1.394981
b -0.050390  1.912123  0.343054
c  1.227435  1.478369  0.695246
d -0.613172  0.279344       NaN

::: tip 注意

多重索引與高級索引介紹了怎樣用更簡潔的方式重置索引衷戈。

:::

::: tip 注意

編寫注重性能的代碼時，最好花些時間深入理解 reindex：預(yù)對齊數(shù)據(jù)后层坠，操作會更快殖妇。兩個未對齊的 DataFrame 相加，后臺操作會執(zhí)行 reindex破花。探索性分析時很難注意到這點有什么不同谦趣，這是因為 reindex 已經(jīng)進行了高度優(yōu)化，但需要注重 CPU 周期時座每，顯式調(diào)用 reindex 還是有一些影響的前鹅。

:::

重置索引，并與其它對象對齊

提取一個對象峭梳，并用另一個具有相同標(biāo)簽的對象 reindex 該對象的軸舰绘。這種操作的語法雖然簡單，但未免有些啰嗦葱椭。這時除盏，最好用 reindex_like() 方法，這是一種既有效挫以，又簡單的方式：

In [207]: df2
Out[207]: 
        one       two
a  1.394981  1.772517
b  0.343054  1.912123
c  0.695246  1.478369

In [208]: df3
Out[208]: 
        one       two
a  0.583888  0.051514
b -0.468040  0.191120
c -0.115848 -0.242634

In [209]: df.reindex_like(df2)
Out[209]: 
        one       two
a  1.394981  1.772517
b  0.343054  1.912123
c  0.695246  1.478369

用 `align` 對齊多個對象

align() 方法是對齊兩個對象最快的方式者蠕，該方法支持 join 參數(shù)（請參閱 joining 與 merging）：

join='outer'：使用兩個對象索引的合集，默認(rèn)值
join='left'：使用左側(cè)調(diào)用對象的索引
join='right'：使用右側(cè)傳遞對象的索引
join='inner'：使用兩個對象索引的交集

該方法返回重置索引后的兩個 Series 元組：

In [210]: s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])

In [211]: s1 = s[:4]

In [212]: s2 = s[1:]

In [213]: s1.align(s2)
Out[213]: 
(a   -0.186646
 b   -1.692424
 c   -0.303893
 d   -1.425662
 e         NaN
 dtype: float64, a         NaN
 b   -1.692424
 c   -0.303893
 d   -1.425662
 e    1.114285
 dtype: float64)

In [214]: s1.align(s2, join='inner')
Out[214]: 
(b   -1.692424
 c   -0.303893
 d   -1.425662
 dtype: float64, b   -1.692424
 c   -0.303893
 d   -1.425662
 dtype: float64)

In [215]: s1.align(s2, join='left')
Out[215]: 
(a   -0.186646
 b   -1.692424
 c   -0.303893
 d   -1.425662
 dtype: float64, a         NaN
 b   -1.692424
 c   -0.303893
 d   -1.425662
 dtype: float64)

默認(rèn)條件下掐松， join 方法既應(yīng)用于索引踱侣，也應(yīng)用于列：

In [216]: df.align(df2, join='inner')
Out[216]: 
(        one       two
 a  1.394981  1.772517
 b  0.343054  1.912123
 c  0.695246  1.478369,         one       two
 a  1.394981  1.772517
 b  0.343054  1.912123
 c  0.695246  1.478369)

align 方法還支持 axis 選項，用來指定要對齊的軸：

In [217]: df.align(df2, join='inner', axis=0)
Out[217]: 
(        one       two     three
 a  1.394981  1.772517       NaN
 b  0.343054  1.912123 -0.050390
 c  0.695246  1.478369  1.227435,         one       two
 a  1.394981  1.772517
 b  0.343054  1.912123
 c  0.695246  1.478369)

如果把 Series 傳遞給 DataFrame.align()大磺，可以用 axis 參數(shù)選擇是在 DataFrame 的索引抡句，還是列上對齊兩個對象：

In [218]: df.align(df2.iloc[0], axis=1)
Out[218]: 
(        one     three       two
 a  1.394981       NaN  1.772517
 b  0.343054 -0.050390  1.912123
 c  0.695246  1.227435  1.478369
 d       NaN -0.613172  0.279344, one      1.394981
 three         NaN
 two      1.772517
 Name: a, dtype: float64)

方法	動作
pad / ffill	先前填充
bfill / backfill	向后填充
nearest	從最近的索引值填充

下面用一個簡單的 Series 展示 fill 方法：

In [219]: rng = pd.date_range('1/3/2000', periods=8)

In [220]: ts = pd.Series(np.random.randn(8), index=rng)

In [221]: ts2 = ts[[0, 3, 6]]

In [222]: ts
Out[222]: 
2000-01-03    0.183051
2000-01-04    0.400528
2000-01-05   -0.015083
2000-01-06    2.395489
2000-01-07    1.414806
2000-01-08    0.118428
2000-01-09    0.733639
2000-01-10   -0.936077
Freq: D, dtype: float64

In [223]: ts2
Out[223]: 
2000-01-03    0.183051
2000-01-06    2.395489
2000-01-09    0.733639
dtype: float64

In [224]: ts2.reindex(ts.index)
Out[224]: 
2000-01-03    0.183051
2000-01-04         NaN
2000-01-05         NaN
2000-01-06    2.395489
2000-01-07         NaN
2000-01-08         NaN
2000-01-09    0.733639
2000-01-10         NaN
Freq: D, dtype: float64

In [225]: ts2.reindex(ts.index, method='ffill')
Out[225]: 
2000-01-03    0.183051
2000-01-04    0.183051
2000-01-05    0.183051
2000-01-06    2.395489
2000-01-07    2.395489
2000-01-08    2.395489
2000-01-09    0.733639
2000-01-10    0.733639
Freq: D, dtype: float64

In [226]: ts2.reindex(ts.index, method='bfill')
Out[226]: 
2000-01-03    0.183051
2000-01-04    2.395489
2000-01-05    2.395489
2000-01-06    2.395489
2000-01-07    0.733639
2000-01-08    0.733639
2000-01-09    0.733639
2000-01-10         NaN
Freq: D, dtype: float64

In [227]: ts2.reindex(ts.index, method='nearest')
Out[227]: 
2000-01-03    0.183051
2000-01-04    0.183051
2000-01-05    2.395489
2000-01-06    2.395489
2000-01-07    2.395489
2000-01-08    0.733639
2000-01-09    0.733639
2000-01-10    0.733639
Freq: D, dtype: float64

上述操作要求索引按遞增或遞減排序。

注意：除了 method='nearest'杠愧，用 fillna 或 interpolate 也能實現(xiàn)同樣的效果：

In [228]: ts2.reindex(ts.index).fillna(method='ffill')
Out[228]: 
2000-01-03    0.183051
2000-01-04    0.183051
2000-01-05    0.183051
2000-01-06    2.395489
2000-01-07    2.395489
2000-01-08    2.395489
2000-01-09    0.733639
2000-01-10    0.733639
Freq: D, dtype: float64

如果索引不是按遞增或遞減排序待榔，reindex() 會觸發(fā) ValueError 錯誤。fillna() 與 interpolate() 則不檢查索引的排序。

重置索引填充的限制

limit 與 tolerance 參數(shù)可以控制 reindex 的填充操作锐锣。limit 限定了連續(xù)匹配的最大數(shù)量：

In [229]: ts2.reindex(ts.index, method='ffill', limit=1)
Out[229]: 
2000-01-03    0.183051
2000-01-04    0.183051
2000-01-05         NaN
2000-01-06    2.395489
2000-01-07    2.395489
2000-01-08         NaN
2000-01-09    0.733639
2000-01-10    0.733639
Freq: D, dtype: float64

反之腌闯，tolerance 限定了索引與索引器值之間的最大距離：

In [230]: ts2.reindex(ts.index, method='ffill', tolerance='1 day')
Out[230]: 
2000-01-03    0.183051
2000-01-04    0.183051
2000-01-05         NaN
2000-01-06    2.395489
2000-01-07    2.395489
2000-01-08         NaN
2000-01-09    0.733639
2000-01-10    0.733639
Freq: D, dtype: float64

注意：索引為 DatetimeIndex、TimedeltaIndex 或 PeriodIndex 時雕憔，tolerance 會盡可能將這些索引強制轉(zhuǎn)換為 Timedelta姿骏，這里要求用戶用恰當(dāng)?shù)淖址O(shè)定 tolerance 參數(shù)。

去掉軸上的標(biāo)簽

drop() 函數(shù)與 reindex 經(jīng)常配合使用斤彼，該函數(shù)用于刪除軸上的一組標(biāo)簽：

In [231]: df
Out[231]: 
        one       two     three
a  1.394981  1.772517       NaN
b  0.343054  1.912123 -0.050390
c  0.695246  1.478369  1.227435
d       NaN  0.279344 -0.613172

In [232]: df.drop(['a', 'd'], axis=0)
Out[232]: 
        one       two     three
b  0.343054  1.912123 -0.050390
c  0.695246  1.478369  1.227435

In [233]: df.drop(['one'], axis=1)
Out[233]: 
        two     three
a  1.772517       NaN
b  1.912123 -0.050390
c  1.478369  1.227435
d  0.279344 -0.613172

注意：下面的代碼可以運行分瘦，但不夠清晰：

In [234]: df.reindex(df.index.difference(['a', 'd']))
Out[234]: 
        one       two     three
b  0.343054  1.912123 -0.050390
c  0.695246  1.478369  1.227435

重命名或映射標(biāo)簽

rename() 方法支持按不同的軸基于映射（字典或 Series）調(diào)整標(biāo)簽。

In [235]: s
Out[235]: 
a   -0.186646
b   -1.692424
c   -0.303893
d   -1.425662
e    1.114285
dtype: float64

In [236]: s.rename(str.upper)
Out[236]: 
A   -0.186646
B   -1.692424
C   -0.303893
D   -1.425662
E    1.114285
dtype: float64

如果調(diào)用的是函數(shù)琉苇，該函數(shù)在處理標(biāo)簽時嘲玫，必須返回一個值，而且生成的必須是一組唯一值并扇。此外去团，rename() 還可以調(diào)用字典或 Series。

In [237]: df.rename(columns={'one': 'foo', 'two': 'bar'},
   .....:           index={'a': 'apple', 'b': 'banana', 'd': 'durian'})
   .....: 
Out[237]: 
             foo       bar     three
apple   1.394981  1.772517       NaN
banana  0.343054  1.912123 -0.050390
c       0.695246  1.478369  1.227435
durian       NaN  0.279344 -0.613172

pandas 不會重命名標(biāo)簽未包含在映射里的列或索引拜马。注意渗勘，映射里多出的標(biāo)簽不會觸發(fā)錯誤沐绒。

0.21.0 版新增俩莽。

DataFrame.rename() 還支持“軸式”習(xí)語，用這種方式可以指定單個 mapper乔遮，及執(zhí)行映射的 axis扮超。

In [238]: df.rename({'one': 'foo', 'two': 'bar'}, axis='columns')
Out[238]: 
        foo       bar     three
a  1.394981  1.772517       NaN
b  0.343054  1.912123 -0.050390
c  0.695246  1.478369  1.227435
d       NaN  0.279344 -0.613172

In [239]: df.rename({'a': 'apple', 'b': 'banana', 'd': 'durian'}, axis='index')
Out[239]: 
             one       two     three
apple   1.394981  1.772517       NaN
banana  0.343054  1.912123 -0.050390
c       0.695246  1.478369  1.227435
durian       NaN  0.279344 -0.613172

rename() 方法還提供了 inplace 命名參數(shù)，默認(rèn)為 False蹋肮，并會復(fù)制底層數(shù)據(jù)出刷。inplace=True 時，會直接在原數(shù)據(jù)上重命名坯辩。

0.18.0 版新增馁龟。

rename() 還支持用標(biāo)量或列表更改 Series.name 屬性。

In [240]: s.rename("scalar-name")
Out[240]: 
a   -0.186646
b   -1.692424
c   -0.303893
d   -1.425662
e    1.114285
Name: scalar-name, dtype: float64

0.24.0 版新增漆魔。

rename_axis() 方法支持指定 多重索引 名稱坷檩，與標(biāo)簽相對應(yīng)。

In [241]: df = pd.DataFrame({'x': [1, 2, 3, 4, 5, 6],
   .....:                    'y': [10, 20, 30, 40, 50, 60]},
   .....:                   index=pd.MultiIndex.from_product([['a', 'b', 'c'], [1, 2]],
   .....:                   names=['let', 'num']))
   .....: 

In [242]: df
Out[242]: 
         x   y
let num       
a   1    1  10
    2    2  20
b   1    3  30
    2    4  40
c   1    5  50
    2    6  60

In [243]: df.rename_axis(index={'let': 'abc'})
Out[243]: 
         x   y
abc num       
a   1    1  10
    2    2  20
b   1    3  30
    2    4  40
c   1    5  50
    2    6  60

In [244]: df.rename_axis(index=str.upper)
Out[244]: 
         x   y
LET NUM       
a   1    1  10
    2    2  20
b   1    3  30
    2    4  40
c   1    5  50
    2    6  60

迭代

pandas 對象基于類型進行迭代操作改抡。Series 迭代時被視為數(shù)組矢炼，基礎(chǔ)迭代生成值。DataFrame 則遵循字典式習(xí)語阿纤，用對象的 key 實現(xiàn)迭代操作句灌。

簡言之，基礎(chǔ)迭代（for i in object）生成：

Series ：值
DataFrame：列標(biāo)簽

例如欠拾，DataFrame 迭代時輸出列名：

In [245]: df = pd.DataFrame({'col1': np.random.randn(3),
   .....:                    'col2': np.random.randn(3)}, index=['a', 'b', 'c'])
   .....: 

In [246]: for col in df:
   .....:     print(col)
   .....: 
col1
col2

Pandas 對象還支持字典式的 items() 方法胰锌，通過鍵值對迭代骗绕。

用下列方法可以迭代 DataFrame 里的行：

iterrows()：把 DataFrame 里的行當(dāng)作（index， Series）對進行迭代匕荸。該操作把行轉(zhuǎn)為 Series爹谭，同時改變數(shù)據(jù)類型，并對性能有影響榛搔。
itertuples() 把 DataFrame 的行當(dāng)作值的命名元組進行迭代诺凡。該操作比 iterrows() 快的多，建議盡量用這種方法迭代 DataFrame 的值践惑。

::: danger 警告

Pandas 對象迭代的速度較慢腹泌。大部分情況下，沒必要對行執(zhí)行迭代操作尔觉，建議用以下幾種替代方式：

矢量化：很多操作可以用內(nèi)置方法或 Numpy 函數(shù)凉袱，布爾索引……
調(diào)用的函數(shù)不能在完整的 DataFrame / Series 上運行時，最好用 apply()侦铜，不要對值進行迭代操作专甩。請參閱函數(shù)應(yīng)用文檔。
如果必須對值進行迭代钉稍，請務(wù)必注意代碼的性能涤躲，建議在 cython 或 numba 環(huán)境下實現(xiàn)內(nèi)循環(huán)。參閱增強性能一節(jié)贡未，查看這種操作方法的示例种樱。

:::

::: danger 警告

永遠不要修改迭代的內(nèi)容浆竭，這種方式不能確保所有操作都能正常運作羹蚣〉诙樱基于數(shù)據(jù)類型偏竟，迭代器返回的是復(fù)制（copy）的結(jié)果诚亚，不是視圖（view）更胖，這種寫入可能不會生效守问！

下例中的賦值就不會生效：

In [247]: df = pd.DataFrame({'a': [1, 2, 3], 'b': ['a', 'b', 'c']})

In [248]: for index, row in df.iterrows():
.....:     row['a'] = 10
.....: 

In [249]: df
Out[249]: 
a  b
0  1  a
1  2  b
2  3  c

:::

項目（items）

與字典型接口類似车伞，items() 通過鍵值對進行迭代：

Series：（Index狠怨，標(biāo)量值）對
DataFrame：（列约啊，Series）對

示例如下：

In [250]: for label, ser in df.items():
   .....:     print(label)
   .....:     print(ser)
   .....: 
a
0    1
1    2
2    3
Name: a, dtype: int64
b
0    a
1    b
2    c
Name: b, dtype: object

iterrows

iterrows() 迭代 DataFrame 或 Series 里的每一行數(shù)據(jù)。這個操作返回一個迭代器取董，生成索引值及包含每行數(shù)據(jù)的 Series：

In [251]: for row_index, row in df.iterrows():
   .....:     print(row_index, row, sep='\n')
   .....: 
0
a    1
b    a
Name: 0, dtype: object
1
a    2
b    b
Name: 1, dtype: object
2
a    3
b    c
Name: 2, dtype: object

::: tip 注意

iterrows() 返回的是 Series 里的每一行數(shù)據(jù)棍苹，該操作不會保留每行數(shù)據(jù)的數(shù)據(jù)類型，因為數(shù)據(jù)類型是通過 DataFrame 的列界定的茵汰。

示例如下：

In [252]: df_orig = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])

In [253]: df_orig.dtypes
Out[253]: 
int        int64
float    float64
dtype: object

In [254]: row = next(df_orig.iterrows())[1]

In [255]: row
Out[255]: 
int      1.0
float    1.5
Name: 0, dtype: float64

row 里的值以 Series 形式返回枢里，并被轉(zhuǎn)換為浮點數(shù)，原始的整數(shù)值則在列 X：

In [256]: row['int'].dtype
Out[256]: dtype('float64')

In [257]: df_orig['int'].dtype
Out[257]: dtype('int64')

要想在行迭代時保存數(shù)據(jù)類型，最好用 itertuples()栏豺，這個函數(shù)返回值的命名元組彬碱，總的來說，該操作比 iterrows() 速度更快奥洼。

:::

下例展示了怎樣轉(zhuǎn)置 DataFrame：

In [258]: df2 = pd.DataFrame({'x': [1, 2, 3], 'y': [4, 5, 6]})

In [259]: print(df2)
   x  y
0  1  4
1  2  5
2  3  6

In [260]: print(df2.T)
   0  1  2
x  1  2  3
y  4  5  6

In [261]: df2_t = pd.DataFrame({idx: values for idx, values in df2.iterrows()})

In [262]: print(df2_t)
   0  1  2
x  1  2  3
y  4  5  6

itertuples

itertuples() 方法返回為 DataFrame 里每行數(shù)據(jù)生成命名元組的迭代器巷疼。該元組的第一個元素是行的索引值，其余的值則是行的值灵奖。

示例如下：

In [263]: for row in df.itertuples():
   .....:     print(row)
   .....: 
Pandas(Index=0, a=1, b='a')
Pandas(Index=1, a=2, b='b')
Pandas(Index=2, a=3, b='c')

該方法不會把行轉(zhuǎn)換為 Series嚼沿，只是返回命名元組里的值。itertuples() 保存值的數(shù)據(jù)類型瓷患，而且比 iterrows() 快骡尽。

::: tip 注意

包含無效 Python 識別符的列名、重復(fù)的列名及以下劃線開頭的列名擅编，會被重命名為位置名稱攀细。如果列數(shù)較大，比如大于 255 列爱态，則返回正則元組谭贪。

:::

呆鳥云：“翻譯不易，五天翻譯锦担，四處求證俭识，三番校稿，二時排版吆豹，只求一秒點贊鱼的±砼瑁”

最后編輯于：2020.10.26 17:27:40

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者

人面猴
序言：七十年代末痘煤，一起剝皮案震驚了整個濱河市，隨后出現(xiàn)的幾起案子猿规，更是在濱河造成了極大的恐慌衷快，老刑警劉巖，帶你破解...
沈念sama閱讀 218,682評論 6贊 507
死咒
序言：濱河連續(xù)發(fā)生了三起死亡事件姨俩，死亡現(xiàn)場離奇詭異蘸拔，居然都是意外死亡，警方通過查閱死者的電腦和手機环葵，發(fā)現(xiàn)死者居然都...
沈念sama閱讀 93,277評論 3贊 395
救了他兩次的神仙讓他今天三更去死
文/潘曉璐我一進店門调窍，熙熙樓的掌柜王于貴愁眉苦臉地迎上來，“玉大人张遭，你說我怎么就攤上這事邓萨。” “怎么了？”我有些...
開封第一講書人閱讀 165,083評論 0贊 355
道士緝兇錄：失蹤的賣姜人
文/不壞的土叔我叫張陵缔恳，是天一觀的道長宝剖。經(jīng)常有香客問我，道長歉甚，這世上最難降的妖魔是什么万细？我笑而不...
開封第一講書人閱讀 58,763評論 1贊 295
?港島之戀（遺憾婚禮）
正文為了忘掉前任，我火速辦了婚禮纸泄，結(jié)果婚禮上赖钞，老公的妹妹穿的比我還像新娘。我一直安慰自己聘裁，他們只是感情好仁烹，可當(dāng)我...
茶點故事閱讀 67,785評論 6贊 392
惡毒庶女頂嫁案：這布局不是一般人想出來的
文/花漫我一把揭開白布。她就那樣靜靜地躺著咧虎，像睡著了一般卓缰。火紅的嫁衣襯著肌膚如雪。梳的紋絲不亂的頭發(fā)上砰诵，一...
開封第一講書人閱讀 51,624評論 1贊 305
城市分裂傳說
那天征唬，我揣著相機與錄音，去河邊找鬼茁彭。笑死总寒，一個胖子當(dāng)著我的面吹牛，可吹牛的內(nèi)容都是我干的理肺。我是一名探鬼主播摄闸，決...
沈念sama閱讀 40,358評論 3贊 418
雙鴛鴦連環(huán)套：你想象不到人心有多黑
文/蒼蘭香墨我猛地睜開眼，長吁一口氣：“原來是場噩夢啊……” “哼妹萨！你這毒婦竟也來了年枕？” 一聲冷哼從身側(cè)響起，我...
開封第一講書人閱讀 39,261評論 0贊 276
萬榮殺人案實錄
序言：老撾萬榮一對情侶失蹤乎完，失蹤者是張志新（化名）和其女友劉穎熏兄，沒想到半個月后，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體树姨，經(jīng)...
沈念sama閱讀 45,722評論 1贊 315
?護林員之死
正文獨居荒郊野嶺守林人離奇死亡摩桶，尸身上長有42處帶血的膿包…… 初始之章·張勛以下內(nèi)容為張勛視角年9月15日...
茶點故事閱讀 37,900評論 3贊 336
?白月光啟示錄
正文我和宋清朗相戀三年，在試婚紗的時候發(fā)現(xiàn)自己被綠了帽揪。大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片硝清。...
茶點故事閱讀 40,030評論 1贊 350
活死人
序言：一個原本活蹦亂跳的男人離奇死亡，死狀恐怖转晰，靈堂內(nèi)的尸體忽然破棺而出芦拿，到底是詐尸還是另有隱情砾肺，我是刑警寧澤，帶...
沈念sama閱讀 35,737評論 5贊 346
?日本核電站爆炸內(nèi)幕
正文年R本政府宣布防嗡，位于F島的核電站变汪，受9級特大地震影響，放射性物質(zhì)發(fā)生泄漏蚁趁。R本人自食惡果不足惜裙盾，卻給世界環(huán)境...
茶點故事閱讀 41,360評論 3贊 330
男人毒藥：我在死后第九天來索命
文/蒙蒙一、第九天我趴在偏房一處隱蔽的房頂上張望他嫡。院中可真熱鬧番官，春花似錦、人聲如沸钢属。這莊子的主人今日做“春日...
開封第一講書人閱讀 31,941評論 0贊 22
一樁弒父案，背后竟有這般陰謀
文/蒼蘭香墨我抬頭看了看天上的太陽淆党。三九已至酷师，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間染乌，已是汗流浹背山孔。一陣腳步聲響...
開封第一講書人閱讀 33,057評論 1贊 270
情欲美人皮
我被黑心中介騙來泰國打工，沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留荷憋，地道東北人台颠。一個月前我還...
沈念sama閱讀 48,237評論 3贊 371
代替公主和親
正文我出身青樓，卻偏偏與公主長得像勒庄，于是被迫代替她去往敵國和親串前。傳聞我的和親對象是個殘疾皇子，可洞房花燭夜當(dāng)晚...
茶點故事閱讀 44,976評論 2贊 355

Pandas中文官檔~基礎(chǔ)用法4

重置索引與更換標(biāo)簽

重置索引，并與其它對象對齊

用 align 對齊多個對象

重置索引填充的限制

去掉軸上的標(biāo)簽

重命名或映射標(biāo)簽

迭代

項目（items）

iterrows

itertuples

推薦閱讀更多精彩內(nèi)容

用 `align` 對齊多個對象