您可以通过一个简单的示例看到差异。让我们考虑以下数据帧：
df = pd.DataFrame({'a': [1, 2],'b': [3, 4]})
print (df)
a b
0 1 3
1 2 4
索引则为0和1
如果set_index与列“ a”一起使用，则索引为1和2。如果这样做df.set_index('a').loc[1,'b']，则得到3。
现在，如果您要使用reindex相同的索引1和2（例如）df.reindex([1,2])，则在执行操作时将获得4.0df.reindex([1,2]).loc[1,'b']
发生的事情是，set_index用（1,2）（“ a”列中的值）替换了先前的索引（0,1），而没有触及“ b”列中的值的顺序
df.set_index('a')
b
a
1 3
2 4
同时reindex更改索引，但将与原始df中的索引关联的列“ b”中的值保留
df.reindex(df.a.values).drop('a',1) # equivalent to df.reindex(df.a.values).drop('a',1)
b
1 4.0
2 NaN
# drop('a',1) is just to not care about column a in my example
最后，reindex在不更改与每个索引相关联的行的值的情况下更改索引的顺序，同时set_index将使用列的值更改索引，而无需触及数据框中其他值的顺序
602392714
清零编程群