Fonction df.reset_index() de Pandas

Pandas 常用函数 Fonctions courantes de Pandas

df.reset_index()est une fonction dans Pandas utilisée pour réinitialiser l'index de ligne d'un DataFrame.

Lors du traitement des données, l'index peut devenir discontinu ou ne pas répondre à vos besoins.reset_index()Il peut réinitialiser l'index sur l'index entier par défaut (0, 1, 2, ...), ou convertir l'index actuel en colonne. C'est très utile pour le nettoyage des données, le tri et l'organisation des données après filtrage.

Syntaxe de base et paramètres

reset_index()est une fonction membre de DataFrame, invoquée via l'opérateur point.pour appeler.

Format de syntaxe

DataFrame.reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill='')

Description du paramètre

Paramètre	Type	Requis	Description	Valeur par défaut
level	int, str, tuple ou list	Optional	Spécifie le(s) niveau(x) d'index à réinitialiser. Pour un MultiIndex, vous pouvez choisir de réinitialiser certains niveaux. Par défaut, tous les niveaux sont réinitialisés.	Aucune
drop	bool	Optional	S'il est`True`, supprime l'index d'origine sans le convertir en colonne ; s'il est`False`, conserve l'index d'origine comme nouvelle colonne.	False
inplace	bool	Optional	S'il est`True`, modifie directement le DataFrame d'origine et ne renvoie pas de nouvel objet ; s'il est`False`, renvoie un nouveau DataFrame et conserve les données d'origine inchangées.	False
col_level	int ou str	Optional	Si les noms de colonnes sont un MultiIndex, spécifiez le niveau dans lequel insérer l'index.	0
col_fill	str	Optional	Si les noms de colonnes sont un MultiIndex, ceci est utilisé pour renseigner les noms de colonnes des autres niveaux lorsque l'index d'origine est converti en colonne.	''

Description de la valeur de retour

Renvoie un nouveau DataFrame (siinplace=False), ouNone(siinplace=True）。
Dans le DataFrame renvoyé, l'index a été réinitialisé. L'index d'origine (sidrop=False) sera conservé comme nouvelle colonne.

Exemples

Maîtrisons parfaitement, à travers une série d'exemples,reset_index()l'utilisation de.

Exemple 1 : Utilisation de base - Réinitialiser l'index

L'utilisation la plus courante consiste à réinitialiser l'index sur l'index entier par défaut.

Exemple

import pandas as pd
import numpy as np

# Créer un DataFrame
data = {
'Name': ['Zhang San', 'Li Si', 'Wang Wu'],
'Score': [85, 92, 78]
}
df = pd.DataFrame(data)

print(Données d'origine (index par défaut) :)
print(df)
print("=" * 50)

# Trier les données, ce qui donne un index non contigu
df_sorted = df.sort_values(by='Score', ascending=False)

print(Données triées (indices non contigus) :)
print(df_sorted)
print("=" * 50)

# Réinitialiser l'index
df_reset = df_sorted.reset_index()

print(Après réinitialisation de l'index :)
print(df_reset)

Sortie attendue :

原始数据（默认索引）：
   姓名  成绩
0  张三   85
1  李四   92
2  王五   78
==================================================
排序后的数据（索引不连续）：
   姓名  成绩
1  李四   92
0  张三   85
2  王五   78
==================================================
重置索引后：
   姓名  成绩  index
0  李四   92       1  # 原来的索引作为新列
1  张三   85       0
2  王五   78       2

Explication du code :

Après le tri, l'index devient 1, 0, 2, il ne forme plus la suite continue 0, 1, 2.
Après avoir utiliséreset_index(), l'index est réinitialisé à 0, 1, 2.
L'index d'origine est conservé en tant que nouvelle colonne, "index".

Exemple 2 : Utiliser le paramètre drop pour supprimer l'index d'origine

Si vous n'avez pas besoin de conserver l'index d'origine, vous pouvez utiliserdrop=Trueparamètre.

Exemple

import pandas as pd
import numpy as np

# Créer un DataFrame
data = {
'Name': ['Zhang San', 'Li Si', 'Wang Wu'],
'Score': [85, 92, 78]
}
df = pd.DataFrame(data)

# Trier les données
df_sorted = df.sort_values(by='Score', ascending=False)

print("Données triées :")
print(df_sorted)
print("=" * 50)

# Réinitialiser l'index, supprimer l'index d'origine
df_reset = df_sorted.reset_index(drop=True)

print(Après réinitialisation de l'index (suppression de l'index d'origine) :)
print(df_reset)

Sortie attendue :

排序后的数据：
   姓名  成绩
1  李四   92
0  张三   85
2  王五   78
==================================================
重置索引（丢弃原索引）后：
   姓名  成绩
0  李四   92
1  张三   85
2  王五   78

Explication du code :

Après avoir utilisédrop=True, l'index d'origine est directement supprimé et ne sera pas conservé comme nouvelle colonne.
Ceci est utile lorsque vous n'avez pas besoin de conserver les informations sur l'index d'origine.

Exemple 3 : Réinitialiser l'index après le filtrage des données

Après le filtrage des données, l'index peut être discontinu. Utilisezreset_index()pour nettoyer les données.

Exemple

import pandas as pd
import numpy as np

# Créer un DataFrame contenant toutes les notes des étudiants
data = {
'Name': ['Zhang San', 'Li Si', 'Wang Wu', 'Zhao Liu', 'Qian Qi'],
'Score': [85, 92, 78, 90, 88]
}
df = pd.DataFrame(data)

print(“Données brutes :”)
print(df)
print("=" * 50)

# Filtrer les étudiants avec des scores supérieurs à 85
df_filtered = df[df['Score'] > 85]

print(Données filtrées (indices non contigus) :)
print(df_filtered)
print("=" * 50)

# Réinitialiser l'index
df_reset = df_filtered.reset_index(drop=True)

print(Après réinitialisation de l'index :)
print(df_reset)

Sortie attendue :

原始数据：
   姓名  成绩
0  张三   85
1  李四   92
2  王五   78
3  赵六   90
4  钱七   88
==================================================
筛选后的数据（索引不连续）：
   姓名  成绩
1  李四   92
3  赵六   90
4  钱七   88

Explication du code :

Après filtrage, les indices conservés sont les originaux 1, 3, 4, et non les continus 0, 1, 2.
Utilisationreset_index(drop=True)peut donner un indice continu, ce qui est plus pratique pour le traitement ultérieur.

Exemple 4 : Réinitialiser l'index après suppression des lignes en double

Après avoir supprimé les données en double, vous pouvez également utiliserreset_index()pour nettoyer l'index.

Exemple

import pandas as pd
import numpy as np

# Créer un DataFrame avec des lignes en double
data = {
'Nom': ['Zhang San', 'Li Si', 'Zhang San', 'Wang Wu'],
'city': ['Beijing', 'Shanghai', 'Beijing', 'Guangzhou']
}
df = pd.DataFrame(data)

print(Données originales (y compris les lignes en double) :)
print(df)
print("=" * 50)

# Supprimer les lignes répétées
df_unique = df.drop_duplicates()

print(Après suppression des lignes en double (indices non contigus) :)
print(df_unique)
print("=" * 50)

# Réinitialiser l'index
df_reset = df_unique.reset_index(drop=True)

print(Après réinitialisation de l'index :)
print(df_reset)

Sortie attendue :

原始数据（包含重复行）：
   姓名  城市
0  张三  北京
1  李四  上海
2  张三  北京  # 重复
3  王五  广州
==================================================
删除重复行后（索引不连续）：
   姓名  城市
0  张三  北京
1  李四  上海
3  王五  广州

Explication du code :

Après suppression des lignes en double, les indices conservés sont 0, 1, 3, et non continus 0, 1, 2.
Après réinitialisation de l'index, les données sont plus ordonnées.

Exemple 5 : Réinitialiser l'index après avoir traité les valeurs manquantes

Après suppression des lignes avec des valeurs manquantes, l'index peut également être réinitialisé.

Exemple

import pandas as pd
import numpy as np

# Créer un DataFrame avec des valeurs manquantes
data = {
'Name': ['Zhang San', 'Li Si', 'Wang Wu', 'Zhao Liu'],
'Score': [85, np.nan, 92, 78]
}
df = pd.DataFrame(data)

print(“Données brutes :”)
print(df)
print("=" * 50)

# Supprimer les lignes avec des valeurs manquantes
df_cleaned = df.dropna()

print(Après suppression des valeurs manquantes (indices non contigus) :)
print(df_cleaned)
print("=" * 50)

# Réinitialiser l'index
df_reset = df_cleaned.reset_index(drop=True)

print(Après réinitialisation de l'index :)
print(df_reset)

Sortie attendue :

原始数据：
   姓名   成绩
0  张三  85.0
1  李四   NaN  # 缺失值
2  王五  92.0
3  赵六  78.0
==================================================
删除缺失值后（索引不连续）：
   姓名   成绩
0  张三  85.0
2  王五  92.0
3  赵六  78.0

Explication du code :

Après avoir supprimé la ligne 1 (le score de Li Si est NaN), les indices conservés sont 0, 2, 3.
Utilisationreset_index()peut donner un index continu de 0, 1, 2.

Exemple 6 : Utiliser le paramètre inplace pour modifier sur place

Utilisationinplace=Truevous pouvez modifier directement le DataFrame d'origine.

Exemple

import pandas as pd
import numpy as np

# Créer un DataFrame
data = {
'Name': ['Zhang San', 'Li Si', 'Wang Wu'],
'Score': [85, 92, 78]
}
df = pd.DataFrame(data)

# Filtrer les données
df_filtered = df[df['Score'] > 80]

print(Données filtrées (index non réinitialisé) :)
print(df_filtered)
print(fID des données : {id(df_filtered)})
print("=" * 50)

# Utiliser inplace=True pour réinitialiser l'index sur place
df_filtered.reset_index(drop=True, inplace=True)

print(Après réinitialisation avec inplace=True :)
print(df_filtered)
print(fID des données : {id(df_filtered)})

Sortie attendue :

筛选后的数据（未重置）：
   姓名  成绩
1  李四   92
0  张三   85
数据 id: 140234567890
==================================================
使用 inplace=True 重置后：
   姓名  成绩
0  李四   92
1  张三   85
数据 id: 140234567890  # 同一个对象

Explication du code :

Après avoir utiliséinplace=True, l'adresse mémoire (id) du DataFrame reste inchangée.
Cette méthode peut économiser de la mémoire.

Exemple 7 : Réinitialisation d'un index multi-niveaux

Pour un MultiIndex, vous pouvez réinitialiser des niveaux spécifiques ou tous les niveaux.

Exemple

import pandas as pd
import numpy as np

# Créer un DataFrame avec un MultiIndex
df = pd.DataFrame({
'Score': [85, 92, 78, 88, 90, 95]
}, index=pd.MultiIndex.from_tuples([
('Classe 1', 'Zhang San'), ('Classe 1', 'Li Si'), ('Classe 1', 'Wang Wu'),
('Classe 2', 'Zhao Liu'), ('Classe 2', 'Qian Qi'), ('Classe 2', 'Sun Ba')
], names=['Classe', 'Nom']))

print(Données d'origine (MultiIndex) :)
print(df)
print("=" * 50)

# Réinitialiser tous les niveaux d'index
df_reset_all = df.reset_index()

print(Réinitialiser tous les niveaux d'index :)
print(df_reset_all)
print("=" * 50)

# Réinitialiser uniquement le premier niveau d'index (Class)
df_reset_first = df.reset_index(level=0)

print(Réinitialiser uniquement l'index Class :)
print(df_reset_first)

Sortie attendue :

原始数据（多层索引）：
           成绩
班级  姓名
一班  张三     85
     李四     92
     王五     78
二班  赵六     88
     钱七     90
     孙八     95
==================================================
重置所有索引级别：
   班级  姓名  成绩
0  一班  张三   85
1  一班  李四   92
2  一班  王五   78
3  二班  赵六   88
4  二班  钱七   90
5  二班  钱七   95

Explication du code :

Un DataFrame avec un MultiIndex peut utiliserreset_index()pour convertir l'index en colonnes.
Utilisez lalevelparamètre pour choisir quel niveau de l'index réinitialiser.

Notes

reset_index()Le DataFrame d'origine n'est pas modifié par défaut. Pour le modifier sur place, utilisez leinplace=Trueparamètre.
Par défaut (drop=False), l'index d'origine est conservé comme nouvelle colonne. Si vous n'avez pas besoin de le conserver, utilisezdrop=True。
Avant d'utiliserreset_index(), assurez-vous qu'il n'y a aucune information d'index importante à conserver.
Pour les données de séries temporelles, vous devrez peut-être réinitialiser l'index temporel après avoir réinitialisé l'index.
Dans les opérations enchaînées (comme le filtrage puis le tri), l'index peut changer après chaque opération. L'utiliser au bon momentreset_index()peut rendre le code prévisible.

Pandas 常用函数 Fonctions courantes de Pandas

Lecture et écriture de données

Cœur du traitement des données

Manuel de référence

Statistiques et cas

Fonction df.reset_index() de Pandas

Syntaxe de base et paramètres

Format de syntaxe

Description du paramètre

Description de la valeur de retour

Exemples

Exemple 1 : Utilisation de base - Réinitialiser l'index

Exemple

Exemple 2 : Utiliser le paramètre drop pour supprimer l'index d'origine

Exemple

Exemple 3 : Réinitialiser l'index après le filtrage des données

Exemple

Exemple 4 : Réinitialiser l'index après suppression des lignes en double

Exemple

Exemple 5 : Réinitialiser l'index après avoir traité les valeurs manquantes

Exemple

Exemple 6 : Utiliser le paramètre inplace pour modifier sur place

Exemple

Exemple 7 : Réinitialisation d'un index multi-niveaux

Exemple

Notes