一、重新索引
pandas 对象的一个重要方法是 reindex，使用reindex可以创建一个新对象，并且原对象的值与新索引对齐重新排列。
import pandas as pd
obj = pd.Series([4.5, 7.2, -5.3, 3.6], index=["d", "b", "a", "c"])
obj2 = obj.reindex(["a", "b", "c", "d", "e"])
print(obj)
print(obj2)pandas对象调用 reindex方法，将根据新索引重新排列数据创建新对象，如果新索引与原索引无法对齐，则未对齐的索引引入缺失值。以上代码中，obj调用reindex方法中包含索引e，而原索引不包含e，因此新对象obj2的索引e引入缺失值NaN。
obj输出如下：
d 4.5
b 7.2
a -5.3
c 3.6
dtype: float64
obj2输出如下：
a -5.3
b 7.2
c 3.6
d 4.5
e NaN
dtype: float64
在进行数据分析的时候，我们有时候会插入一些填充值。比如，对于像时间序列这样的有序数据，可能想在重新索引时做一些插值或填充值。reindex方法的method 参数允许我们使用 ffill 等方法来执行此操作，该方法正向填充值。
import pandas as pd
obj3 = pd.Series(["blue", "purple", "yellow"], index=[0, 2, 4])
print(obj3)
o = obj3.reindex(np.arange(6), method="ffill")
print(o)输出：
0 blue
2 purple
4 yellow
dtype: object
0 blue
1 blue
2 purple
3 purple
4 yellow
5 yellow
dtype: object
在DataFrame中使用reindex可以更改 （行） 索引、列或者两者都可以更改。当仅传递一个序列给reindex时，它会重新索引结果中的行：
import numpy as np
import pandas as pd
#用numpy数组构造DataFrame对象
frame = pd.DataFrame(np.arange(9).reshape((3, 3)),
index=["a", "c", "d"],
columns=["Ohio", "Texas", "California"])
print(frame)
#重新索引frame，因为只传入了一个序列["a", "b", "c", "d"],所以重定义frame的行索引
frame2 = frame.reindex(index=["a", "b", "c", "d"])
print(frame2) Ohio Texas California
a 0 1 2
c 3 4 5
d 6 7 8
重新reindex后输出：
Ohio Texas California
a 0.0 1.0 2.0
b NaN NaN NaN
c 3.0 4.0 5.0
d 6.0 7.0 8.0
要改变DataFrame的列索引，可以在reindex中使用columns参数指定新索引序列。如下：
import numpy as np
import pandas as pd
#用numpy数组构造DataFrame对象
frame = pd.DataFrame(np.arange(9).reshape((3, 3)),
index=["a", "c", "d"],
columns=["Ohio", "Texas", "California"])
print(frame)
states = ["Texas", "Utah", "California"]
#在reindex方法中使用columns参数指定修改列索引序列
f = frame.reindex(columns=states)
print(f)输出：
Texas Utah California
a 1 NaN 2
c 4 NaN 5
d 7 NaN 8
上面代码中，由于“Ohio” 不在states序列中，因此将从结果中删除该列的数据，同事Utah列填充NaN值。重新索引特定轴的另一种方法是将新的轴标签作为位置参数传递，然后使用 axis 参数（关键字）指定要重新索引的轴：
例如将上面的代码改为 f = frame.reindex(states, axis="columns") 将输出同样的结果。
reindex方法的参数列表如下：
我们还可以使用 loc 运算符重新编制索引，许多人更喜欢这种方式进行重新索引。使用loc运算符时仅当 DataFrame 中已存在所有新索引标签时，才有效（而 reindex 将为新标签插入缺失数据NaN）。例如：
f = frame.loc[["a", "d", "c"], ["California", "Texas"]]
输出：
California Texas
a 2 1
d 8 7
c 5 4
二、从Axis（轴）删除整个条目数据（可理解为按行或按列删除）
根据上面的学习，我们发现基于reindex方法和loc方法运算，也可以删除rows或columns。但更多的可以用drop方法来删除，该方法也返回一个新对象，不改变原对象。
import numpy as np
import pandas as pd
obj = pd.Series(np.arange(5.), index=["a", "b", "c", "d", "e"])
print(obj)
#删除obj中索引c指示的行
new_obj = obj.drop("c")
print(new_obj)输出：
a 0.0
b 1.0
c 2.0
d 3.0
e 4.0
dtype: float64
a 0.0
b 1.0
d 3.0
e 4.0
dtype: float64
drop方法生成的新对象new_obj中删除了索引c指示的行。
可以在drop方法中传递序列删除多rows，例如：new_obj2 = obj.drop(["d", "c"]) 输出结果
a 0.0
b 1.0
e 4.0
dtype: float64
在DataFrame中，可以从任何一个Axis（轴）中删除索引值，直接代码演示（注意看代码中的注释说明）：
import numpy as np
import pandas as pd
#用一个4x4的NumPy数组创建一个DataFrame对象，用index和columns指定行索引和列标签
data = pd.DataFrame(np.arange(16).reshape((4, 4)),
index=["Ohio", "Colorado", "Utah", "New York"],
columns=["one", "two", "three", "four"])
#打印data出来看下
print(data)
#删除指定的行索引的值
data1 = data.drop(index=["Colorado", "Ohio"])
print(data1)
#删除指定的列标签的值
data2 = data.drop(columns=["two"])
print(data2)
#通过指定轴号删除该轴方向的某个标签的值 例如列标签two。这种方式等价于data.drop(columns=['two'])
data3 = data.drop("two", axis=1)
print(data3)
#通过指定轴名称删除该方向指定列标签的值
data4 = data.drop(["two", "four"], axis="columns")
print(data4)以上代码原对象data输出：
| one | two | three | four | |
|---|---|---|---|---|
| Ohio | 0 | 1 | 2 | 3 |
| Colorado | 4 | 5 | 6 | 7 |
| Utah | 8 | 9 | 10 | 11 |
| New York | 12 | 13 | 14 | 15 |
data1输出：
| one | two | three | four | |
|---|---|---|---|---|
| Utah | 8 | 9 | 10 | 11 |
| New York | 12 | 13 | 14 | 15 |
data2输出：
| one | three | four | |
|---|---|---|---|
| Ohio | 0 | 2 | 3 |
| Colorado | 4 | 6 | 7 |
| Utah | 8 | 10 | 11 |
| New York | 12 | 14 | 15 |
data3输出（于data2相同结果）：
| one | three | four | |
|---|---|---|---|
| Ohio | 0 | 2 | 3 |
| Colorado | 4 | 6 | 7 |
| Utah | 8 | 10 | 11 |
| New York | 12 | 14 | 15 |
data4输出：
| one | three | |
|---|---|---|
| Ohio | 0 | 2 |
| Colorado | 4 | 6 |
| Utah | 8 | 10 |
| New York | 12 | 14 |
三、从Series和DataFrame中索引、选择和筛选数据
还是用代码来学习会比较直观。
import numpy as np
import pandas as pd
#用numpy数组创建一个Series对象obj，并指定其索引
obj = pd.Series(np.arange(4.), index=["a", "b", "c", "d"])
#通过索引选择
print(obj["b"])
#通过index序号选择，这种方式一般不推荐使用，在新的版本中，整数键将始终被视为标签
print(obj[1])
#通过index序号片段选择
print(obj[2:4])
#通过index序列选择
print(obj[["b", "a", "d"]])
#通过index序号序列选择，不推荐使用整数
print(obj[[1, 3]])
#通过布尔运算选择,选择运算结果为True的值
print(obj[obj < 2])以上代码输出：
1.0
1.0
c 2.0
d 3.0
dtype: float64
b 1.0
a 0.0
d 3.0
dtype: float64
b 1.0
d 3.0
dtype: float64
a 0.0
b 1.0
dtype: float64
虽然我们可以上面这种按标签选择数据的方式，但选择索引值的首选方法是使用特殊的 loc 运算符 。例如：
obj.loc[["b", "a", "d"]] 输出：
b 1.0
a 0.0
d 3.0
dtype: float64
推荐首选 loc 的原因是在使用 [] 进行索引时对整数的处理方式不同。如果索引包含整数，则基于 [] 的常规索引会将整数视为标签，因此行为因索引的数据类型而异。还是用代码举例比较直观，如下：
import numpy as np
import pandas as pd
#索引包含整数
obj1 = pd.Series([1, 2, 3], index=[2, 0, 1])
#索引不包含整数
obj2 = pd.Series([1, 2, 3], index=["a", "b", "c"])
print(obj1)
print(obj2)
print(obj1[[0, 1, 2]])
print(obj2[[0, 1, 2]])以上obj1输出：
2 1
0 2
1 3
obj2输出：
dtype: int64
a 1
b 2
c 3
dtype: int64
obj1[[0, 1, 2]]输出：
0 2
1 3
2 1
dtype: int64
obj2[[0, 1, 2]]输出：
a 1
b 2
c 3
dtype: int64
在上面的obj2对象上如果使用obj2.loc[[0, 1, 2]]将会报错，因为obj2索引不包含整数。
由于 loc 运算符仅使用标签进行索引，因此还有一个 iloc 运算符，该运算符仅使用整数进行索引，无论索引是否包含整数，都可以一致地工作：
obj1.iloc[[0, 1, 2]] 输出：
2 1
0 2
1 3
dtype: int64
obj2.iloc[[0, 1, 2]] 输出：
a 1
b 2
c 3
dtype: int64
注意：我们也可以使用标签进行切片，但它的工作方式与普通的 Python 切片不同，因为终端节点是包容性的（包含切片首尾元素），例如：obj2.loc["b":"c"] 输出：
b 2
c 3
dtype: int64
还可以通过这种方式修改相应部分的值：obj2.loc["b":"c"] = 5 输出obj2：
a 1
b 5
c 5
dtype: int64
下次学习对 DataFrame 索引，对其索引可以检索出单个值、序列、一列或多列值。