Функция Pandas df.reset_index()

Часто используемые функции Pandas

df.reset_index()является функцией в Pandas, используемой для сброса индекса строк DataFrame.

В процессе обработки данных индекс может стать прерывистым или не соответствовать вашим потребностям.reset_index()Он может сбросить индекс до стандартного целочисленного индекса (0, 1, 2, ...) или преобразовать текущий индекс в столбец. Это очень полезно для очистки данных, сортировки и организации данных после фильтрации.

Базовый синтаксис и параметры

reset_index()является функцией-членом DataFrame, вызываемой через оператор точки.для вызова.

Формат синтаксиса

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

Описание параметра

Описание возвращаемого значения

• Возвращает новый DataFrame (еслиinplace=False), илиNone(еслиinplace=True）。
• В возвращаемом DataFrame индекс сброшен. Исходный индекс (еслиdrop=False) будет сохранен как новый столбец.

Примеры

Давайте основательно освоим это на серии примеров,reset_index()использование.

Пример 1: базовое использование — сброс индекса

Наиболее распространённое использование — сбросить индекс к стандартному целочисленному индексу.

Ожидаемый вывод:

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

Пояснение к коду:

1. После сортировки индекс становится 1, 0, 2, уже не является непрерывным 0, 1, 2.
2. После использованияreset_index(), индекс сбрасывается до 0, 1, 2.
3. Исходный индекс сохраняется как новый столбец, "index".

Пример 2: использование параметра drop для удаления исходного индекса

Если вам не нужно сохранять исходный индекс, вы можете использоватьdrop=Trueпараметра.

Ожидаемый вывод:

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

Пояснение к коду:

• После использованияdrop=True, исходный индекс напрямую отбрасывается и не будет сохранён как новый столбец.
• Это полезно, когда вам не нужно сохранять информацию об исходном индексе.

Пример 3: Сброс индекса после фильтрации данных

После фильтрации данных индекс может быть разрывным. Используйтеreset_index()чтобы привести данные в порядок.

Ожидаемый вывод:

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

Пояснение к коду:

• После фильтрации сохранённые индексы — исходные 1, 3, 4, а не непрерывные 0, 1, 2.
• Использованиеreset_index(drop=True)может дать непрерывный индекс, что удобнее для последующей обработки.

Пример 4: Сброс индекса после удаления дублирующихся строк

После удаления дублированных данных также можно использоватьreset_index()чтобы привести индекс в порядок.

Пример

import pandas as pd
import numpy as np

# Создать DataFrame с дублирующимися строками
data = {
    'Имя': ['Чжан Сань', 'Ли Сы', 'Чжан Сань', 'Wang Wu'],
    'city': ['Пекин', 'Шанхай', 'Пекин', 'Guangzhou']
}
df = pd.DataFrame(data)

print(Исходные данные (включая дублирующиеся строки):)
print(df)
print("=" * 50)

# Удаление повторяющихся строк
df_unique = df.drop_duplicates()

print(После удаления повторяющихся строк (несмежные индексы):)
print(df_unique)
print("=" * 50)

# Сбросить индекс
df_reset = df_unique.reset_index(drop=True)

print(После сброса индекса:)
print(df_reset)


Ожидаемый вывод:

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

Пояснение к коду:

• После удаления повторяющихся строк сохранившиеся индексы — 0, 1, 3, а не непрерывные 0, 1, 2.
• После сброса индекса данные становятся аккуратнее.

Пример 5: Сброс индекса после обработки пропущенных значений

После удаления строк с пропущенными значениями индекс также можно сбросить.

Пример

import pandas as pd
import numpy as np

# Создайте DataFrame с пропущенными значениями
data = {
    'Имя': ['Чжан Сань', 'Ли Сы', 'Ван У', 'Чжао Лю'],
    'Score': [85, np.nan, 92, 78]
}
df = pd.DataFrame(data)

print(“Исходные данные:”)
print(df)
print("=" * 50)

# Удалить строки с пропущенными значениями
df_cleaned = df.dropna()

print(После удаления пропущенных значений (несмежные индексы):)
print(df_cleaned)
print("=" * 50)

# Сбросить индекс
df_reset = df_cleaned.reset_index(drop=True)

print(После сброса индекса:)
print(df_reset)


Ожидаемый вывод:

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

Пояснение к коду:

• После удаления строки 1 (оценка Li Si равна NaN), сохранённые индексы — 0, 2, 3.
• Использованиеreset_index()может дать непрерывный индекс 0, 1, 2.

Пример 6: Использование параметра inplace для изменения на месте

Использованиеinplace=Trueможно напрямую изменять исходный DataFrame.

Пример

import pandas as pd
import numpy as np

# Создать DataFrame
data = {
    'Имя': ['Чжан Сань', 'Ли Сы', 'Ван У'],
    'Score': [85, 92, 78]
}
df = pd.DataFrame(data)

# Фильтрация данных
df_filtered = df[df['Score'] > 80]

print(Отфильтрованные данные (индекс не сброшен):)
print(df_filtered)
print(fИдентификатор данных: {id(df_filtered)})
print("=" * 50)

# Используйте inplace=True для сброса индекса на месте
df_filtered.reset_index(drop=True, inplace=True)

print(После сброса с inplace=True:)
print(df_filtered)
print(fИдентификатор данных: {id(df_filtered)})


Ожидаемый вывод:

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

Пояснение к коду:

• После использованияinplace=True, адрес памяти (id) DataFrame остаётся неизменным.
• Этот метод позволяет экономить память.

Пример 7: Сброс многоуровневого индекса

Для MultiIndex можно сбросить отдельные уровни или все уровни.

Пример

import pandas as pd
import numpy as np

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

print(Исходные данные (MultiIndex):)
print(df)
print("=" * 50)

# Сбросить все уровни индекса
df_reset_all = df.reset_index()

print(Сбросить все уровни индекса:)
print(df_reset_all)
print("=" * 50)

# Сбросить только первый уровень индекса (Class)
df_reset_first = df.reset_index(level=0)

print(Сбросить только индекс Class:)
print(df_reset_first)


Ожидаемый вывод:

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

Пояснение к коду:

• DataFrame с MultiIndex может использоватьreset_index()чтобы преобразовать индекс в столбцы.
• Используйтеlevelпараметр для выбора уровня индекса, который нужно сбросить.

---

Примечания

• reset_index()Исходный DataFrame по умолчанию не изменяется. Чтобы изменить его на месте, используйтеinplace=Trueпараметра.
• По умолчанию (drop=False), исходный индекс сохраняется как новый столбец. Если не нужно его сохранять, используйтеdrop=True。
• Перед использованиемreset_index(), убедитесь, что нет важной информации об индексе, которую нужно сохранить.
• Для данных временных рядов может потребоваться сбросить временной индекс после сброса индекса.
• В цепочках операций (таких как фильтрация, затем сортировка) индекс может изменяться после каждой операции. Использование его в нужный моментreset_index()может сделать код предсказуемым.

---

Pandas: общие функции

Другие расширения