python-pandas基础数据结构（Series）

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python-pandas基础数据结构（Series），小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含4723字，纯文字阅读大概需要7分钟。

内容图文

    Series （带有标签的一维数组）

 一、Series的创建方法

[注]import numpy as np    import pandas as pd   都省略了。

1、通过字典创建

dic = {'a':1,'b':2,'c':3,'1':'hello','2':'python','3':[1,2]}
s = pd.Series(dic)
print(s,type(s))

#运行结果
1     hello
2    python
3    [1, 2]
a         1
b         2
c         3
dtype: object <class 'pandas.core.series.Series'>

2、通过数组（ndarray)创建

参数index：是Series的标签

参数name:  是Series的名称，没有的话默认为None。可以用rename()来更改，更改后生成新的Series，不改变原来的Series

s = pd.Series(np.random.rand(5),index = list('abcde'),name = 'test')
print(s,type(s))

#运行结果
a    0.384840
b    0.202776
c    0.646176
d    0.215777
e    0.605895
Name: test, dtype: float64 <class 'pandas.core.series.Series'>

#rename()的用法
s1 = s.rename('excel')
print(s1)

#运行结果
a    0.499740
b    0.943519
c    0.643355
d    0.591372
e    0.418790
Name: excel, dtype: float64

3、通过标量创建（必须声明index值）

s = pd.Series(5,index = range(5))
print(s)

#运行结果
0    5
1    5
2    5
3    5
4    5
dtype: int64

二、Series的索引

 1、位置下标索引

s = pd.Series(np.random.rand(5))
print(s,'\n')
print(s[2],type(s[2]),s[2].dtype)

#运行结果
0    0.961192
1    0.394670
2    0.948766
3    0.658049
4    0.214219
dtype: float64 

0.948766189751 <class 'numpy.float64'> float64

2、标签（index）索引

当有多个标签要索引的话，要多加个[ ]

s = pd.Series(np.random.rand(5),index = list('abcde'))
print(s,'\n')
print(s['a'],'\n')
print(s[['a','b']])

#运行结果
a    0.593557
b    0.991561
c    0.611022
d    0.603023
e    0.518528
dtype: float64 

0.593556973009 

a    0.593557
b    0.991561
dtype: float64

3、切片索引

s1 = pd.Series(np.random.rand(5),list('abcde'))
print(s1,'\n')
print(s1['a':'b'],'\n')      #用index做索引的话是末端包含的
print(s1[1:2],'\n')          #用下标做切片索引的话和list切片是一样的，不包含末端   

#运行结果
a    0.973470
b    0.192143
c    0.805640
d    0.623555
e    0.040572
dtype: float64 

a    0.973470
b    0.192143
dtype: float64 

b    0.192143
dtype: float64 

             

4、布尔型索引

布尔型索引判断，生成的是一个由布尔型组成的新的Series。

.isnull()和.notnull() 判断是否是空值，其中None表示空值，NaN表示有问题的值，两个都会被判断为空值。

s = pd.Series(np.random.rand(2)*100)
s[3] = None                  # 添加一个空值
print(s,'\n')
bs1 = s > 50
bs2 = s.isnull()
bs3 = s.notnull()            
print(bs1,bs2,bs3,'\n')           
print(s[s > 50])            

#运行结果
0    71.1548
1    53.9334
3       None
dtype: object 

0     True
1     True
3    False
dtype: bool 0    False
1    False
3     True
dtype: bool 0     True
1     True
3    False
dtype: bool 

0    71.1548
1    53.9334
dtype: object

 二、Series 的基本操作用法

1、增添（第一，直接下标索引或index添加；第二，通过append()添加，生成新的Series）

s = pd.Series(np.random.rand(2))
s[3]= 100           #用index增添
s['a'] = 200
print(s,'\n')

#运行结果
0      0.646847
1      0.224802
3    100.000000
a    200.000000
dtype: float64 

s2 = pd.Series(np.random.rand(2),index = ['value1','value2'])
s3 = s.append(s2)        #用append()增添
print(s3)

#运行结果
0           0.646847
1           0.224802
3         100.000000
a         200.000000
value1      0.225087
value2      0.504572
dtype: float64

2、删除(第一，用del删除；第二，用.drop()删除，会生成新的Series)

s = pd.Series(np.random.rand(5),index = list('abcde'))
del s['a']           #用del删除
print(s,'\n')

#运行结果
b    0.036584
c    0.319169
d    0.267866
e    0.855804
dtype: float64 

s1 = s.drop(['c','d'])           #用.drop()删除，删除多个要加[]
print(s1)

#运行结果
b    0.036584
e    0.855804
dtype: float64

3、修改（通过索引直接修改）

s = pd.Series(np.random.rand(5),index = list('abcde'))
print(s,'\n')
s[1] = 100
print(s,'\n')
s[['c','d']] = 200
print(s)

#运行结果
a    0.900485
b    0.955717
c    0.270206
d    0.186294
e    0.503710
dtype: float64 

a      0.900485
b    100.000000
c      0.270206
d      0.186294
e      0.503710
dtype: float64 

a      0.900485
b    100.000000
c    200.000000
d    200.000000
e      0.503710
dtype: float64

4、数据查看

.head()方法是查看前几行的数据，默认是5行

.tail()方法是查看后几行的数据，默认也是5行

s = pd.Series(np.random.rand(10))
print(s.head(2),'\n')
print(s.tail())

#运行结果
0    0.301042
1    0.344857
dtype: float64 

5    0.461262
6    0.337744
7    0.215328
8    0.735952
9    0.066285
dtype: float64

5、重新索引

.reindex(新的标签,fill_value =   )会根据更改后的标签重新排序，若添加了原标签中没有的新标签，则默认填入NaN，参数fill_value指对新出现的标签填入的值。

s = pd.Series(np.random.rand(3),
             index = ['a','b','c'])
s1 = s.reindex(['c','b','a','A'],fill_value = 100)
print(s1)

#运行结果
c      0.223246
b      0.484170
a      0.844028
A    100.000000
dtype: float64

6、对齐

s1 = pd.Series(np.random.rand(3),
             index = ['a','b','c'])
s2 = pd.Series(np.random.rand(3),
             index =['a','c','A'])
print(s1,'\n')
print(s2,'\n')
print(s1+s2)

#运行结果
a    0.168003
b    0.785439
c    0.218607
dtype: float64 

a    0.860634
c    0.233973
A    0.691131
dtype: float64 

A         NaN
a    1.028637
b         NaN
c    0.452580
dtype: float64

空值和任何值相加都会返回空值。

内容总结

以上是互联网集市为您收集整理的python-pandas基础数据结构（Series）全部内容，希望文章能够帮你解决python-pandas基础数据结构（Series）所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端