你能解释一下这种奇怪的行为吗？
df=pd.DataFrame({'year':[1986,1987,1988],'bomb':arange(3)}).set_index('year')
In [9]: df.reindex(arange(1986,1988.125,.125))
Out[9]:
bomb
1986.000 0
1986.125 NaN
1986.250 NaN
1986.375 NaN
1986.500 NaN
1986.625 NaN
1986.750 NaN
1986.875 NaN
1987.000 1
1987.125 NaN
1987.250 NaN
1987.375 NaN
1987.500 NaN
1987.625 NaN
1987.750 NaN
1987.875 NaN
1988.000 2
In [10]: df.reindex(arange(1986,1988.1,.1))
Out[10]:
bomb
1986.0 0
1986.1 NaN
1986.2 NaN
1986.3 NaN
1986.4 NaN
1986.5 NaN
1986.6 NaN
1986.7 NaN
1986.8 NaN
1986.9 NaN
1987.0 NaN
1987.1 NaN
1987.2 NaN
1987.3 NaN
1987.4 NaN
1987.5 NaN
1987.6 NaN
1987.7 NaN
1987.8 NaN
1987.9 NaN
1988.0 NaN
当增量不是 0.125 时，我发现新索引值不会“找到”具有匹配值的旧行。即有一个没有被克服的精度问题。即使我在尝试插入之前强制索引为浮点数也是如此。发生了什么和/或这样做的正确方法是什么？
我已经能够通过使用它以 0.1 的增量工作
reindex( np.array(map(round,arange(1985,2010+dt,dt)*10))/10.0 )
顺便说一下，我这样做是作为线性插值多个列的第一步(例如，“bomb”就是其中之一)。如果有更好的方法来做到这一点，我很乐意直截了当。
最佳答案
你得到了你所要求的。 reindex 方法仅尝试将数据添加到您提供的新索引上。正如评论中提到的，您可能正在索引中查找日期。我猜您希望 reindex 方法可以做到这一点(插值):
df2 =df.reindex(arange(1986,1988.125,.125))
pd.Series.interpolate(df2['bomb'])
1986.000 0.000
1986.125 0.125
1986.250 0.250
1986.375 0.375
1986.500 0.500
1986.625 0.625
1986.750 0.750
1986.875 0.875
1987.000 1.000
1987.125 1.125
1987.250 1.250
1987.375 1.375
1987.500 1.500
1987.625 1.625
1987.750 1.750
1987.875 1.875
1988.000 2.000
Name: bomb
您使用的第二个示例是不一致可能是因为浮点精度。步进 0.125 等于 1/8，这可以用二进制精确完成。步进 0.1 不能直接映射到二进制，因此 1987 可能相差一小部分。
1987.0 == 1987.0000000001
False
关于indexing - 使用带有浮点数的 Pandas reindex : interpolation，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/17351233/