知识卡片
重塑中的缺位不等于原始缺失
unstack为齐整行列布局补出的NA,可能只表示原来不存在该标签组合;原数据中已有NA则是另一种信息。旧版stack(dropna=False)保留缺位,默认过滤在特定例子可恢复原记录。设计往返转换时,要先分清缺位来源和需要保留的记录集合,而不只比较非空数值。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
可能会引入缺失数据: In [101]: s1 = Series([0, 1, 2, 3], index=['a', 'b', 'c', 'd']) In [102]: s2 = Series([4, 5, 6], index=['c', 'd', 'e']) In [103]: data2 = pd.concat([s1, s2], keys=['one'
参考来源
- 位置:《利用Python进行数据分析》第7章《重塑层次化索引》(spine293;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0279.html;u152-ch07-016)。
- 结论依据:原文在“可能会引入缺失数据”附近的定义、例子或代码支撑本卡核心说明:unstack为齐整行列布局补出的NA,可能只表示原来不存在该标签组合;原数据中已有NA则是另一种信息。边界按已读前提解释;示例未执行。
- 原始内容:可能会引入缺失数据: In [101]: s1 = Series([0, 1, 2, 3], index=['a', 'b', 'c', 'd']) In [102]: s2 = Series([4, 5, 6], index=['c', 'd', 'e']) In [103]: data2 = pd.concat([s1, s2], keys=['one'