Pandas数据结构之Series的使用


Posted in Python onMarch 31, 2022

一. Series 简介

Series是一种类似于一维数组的对象,是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据也可产生简单的Series对象

Series 总的来说就是带标签的一维数组,可存储整数、浮点数、字符串、Python对象等类型的数据。标签轴通常叫做索引。

二. 实例化 Series

2.1 使用一维数组实例化

用一维数组实例化Series时,索引长度必须与数组长度一致。没有指定索引时,Pandas会帮我们创建默认的数值型索引。

In [1]: s1 = pd.Series([1, 2, 3, 4])
Out[1]:
0	1
1	2
2	3
3	4
dtype: int64

In [2]: s2 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
Out[2]:
a	1
b	2
c	3
d	4
dtype: int64

注意: Pandas 是支持重复索引的。但我们也可以重置索引,具体操作方法在后续章节中会给出。

2.2 使用字典实例化

使用字典实例化Series时, 如果未传入索引,则索引的值为字典的key:

In [1]: pd.Series({'i': 0, 'j': 1, 'k': 2})
Out[1]: 
i    0
j    1
k    2
dtype: int64

2.3 使用标量例化

使用标量值实例化时,必须提供索引。Series 按索引长度重复该标量值。

In [1]: pd.Series(6, index=[0, 1, 2])
Out[1]: 
0    6
1    6
2    6
dtype: int64

三.Series 简单使用

3.1 为Series添加Name属性

在实例化Series时,可以传入name参数为Series添加name属性。同时,Seires也支持重命名:

In [1]: s = pd.Series(6, index=[0, 1, 2], name='six')
Out[1]: 
0    6
1    6
2    6
Name: six, dtype: int64

In [2]: s.name
Out[2]: 'six'

In [3]: s = s.rename('sixsixsix')
In [4]: s.name
Out[4]: 'sixsixsix'

3.2 基于位置的切片

Series提供了类似于Python列表的切片方式:

In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[1]: s[0:2] 	#取下标为0和1的两个数据(不包括2,也就是从第一个开始取,取两个数据)
Out[1]:
a    1
b    2
dtype: int64

In[2]: s[:3] 	#取前三个数据
Out[2]:
a    1
b    2
c    3
dtype: int64

In[3]: s[-2:] 	#取最后两个数据(也可以理解为从倒查第二个数据一直取到末尾)
Out[3]:
c    3
d    4
dtype: int64

In[4]: s[[0,2,3]] 	#取第1、3、4这个三个数据(注意下标是从0开始的,转换为位置时需+1)
Out[4]:
a    1
c    3
d    4
dtype: int64		#注意:如果输入的位置大于列表的长度则会报出“indexers are out-of-bounds”异常

3.3 基于索引的切片

Series可使用索引标签的值来提取值:

In [0]:s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In [1]: s['a'] 	#提取s中,标签为a的值
Out[1]:
a    1
dtype: int64

In [1]: s[['a', 'b', 'c']] 	#提取s中,标签为a, b, c的值
Out[1]:
a    1
b    2
c    3
dtype: int64

如果传入的索引标签的值不在Seires的轴索引中,那将会报 KeyError 异常,这里建议大家使用Series的 get 方法获取值,如果不存在,则会返回None,同时也可设置default参数,用于不存在时的默认返回值。

In [0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In [1]: s['f'] 	#提取s中,标签为f的值, f不存在,将会报出异常
Out[1]:KeyError

In [2]:s.get('f') #提取s中,标签为f的值, 若f不存在,默认返回None
Out[2]:None

In [3]:s.get('f'. default=-1) #提取s中,标签为f的值, 若f不存在,返回-1
Out[3]:-1

3.4 基于条件的切片

In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[1]: s[s < 2] 	#提取s中,小于2的值
Out[1]:
a    1
b    2
dtype: int64

In[1]: s[s> s.mean()] 	#提取s中,大于平均数的值
Out[1]:
c    3
d    4
dtype: int64

In[1]: s[s.between(1, 3, inclusive=False)] 	#提取s中,值介于1,3之间的数据(不包含1,3)
Out[1]:
b    2
dtype: int64

在提取区间数据时,如果想让两端的值包含其中(满足两端的值也被提取出来),只需要把 inclusive 参数的值赋为True

3.5 其他操作

Series 不用循环也可以像操作单个数值一样快速进行数学运算:

In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[1]: s + s
Out[1]:
a    2
b    4
c    6
d    8
dtype: int64

In[2]: s - 1
Out[2]:
a    0
b    1
c    2
d    3
dtype: int64

Series 之间的操作会自动 基于标签 对齐数据. 如果一个Series中的标签在另一个Series中不存在,那么计算得到的结果将是NaN,即缺失值,有缺失值NaN的处理在后续章节也会讲到。因此,我们不用顾及执行操作的Series是否有相同的标签。 Pandas数据结构集成的数据对齐的功能,是Pandas区别于大多数标签型数据处理工具的重要特性。

In[0]: s1 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[0]: s2 = pd.Series([3, 6, 11], index=['a', 'b', 'f'])
In[1]: s1 + s2
Out[1]:
a   4.0
b   8.0
c   NaN
d   NaN
f   NaN
dtype: float64

到此这篇关于Pandas数据结构之Series的使用的文章就介绍到这了,更多相关Pandas Series使用内容请搜索三水点靠木以前的文章或继续浏览下面的相关文章希望大家以后多多支持三水点靠木!

Python 相关文章推荐
Python使用logging结合decorator模式实现优化日志输出的方法
Apr 16 Python
python中的闭包函数
Feb 09 Python
python爬取百度贴吧前1000页内容(requests库面向对象思想实现)
Aug 10 Python
解决python 文本过滤和清理问题
Aug 28 Python
python 导入数据及作图的实现
Dec 03 Python
pyspark给dataframe增加新的一列的实现示例
Apr 24 Python
keras中的卷积层&amp;池化层的用法
May 22 Python
基于python代码批量处理图片resize
Jun 04 Python
Python pytesseract验证码识别库用法解析
Jun 29 Python
python 提高开发效率的5个小技巧
Oct 19 Python
python自动打开浏览器下载zip并提取内容写入excel
Jan 04 Python
Python下opencv库的安装过程及问题汇总
Jun 11 Python
python获取字符串中的email
Mar 31 #Python
Python利用FlashText算法实现替换字符串
详解Python flask的前后端交互
Mar 31 #Python
ubuntu安装jupyter并设置远程访问的实现
Python中time与datetime模块使用方法详解
Mar 31 #Python
Python用tkinter实现自定义记事本的方法详解
Mar 31 #Python
Python利用zhdate模块实现农历日期处理
Mar 31 #Python
You might like
玩转图像函数库―常见图形操作
2006/09/03 PHP
利用php获得flv视频长度的实例代码
2017/10/26 PHP
PHP 应用容器化以及部署方法
2018/02/12 PHP
Extjs4 Treegrid 使用心得分享(经验篇)
2013/07/01 Javascript
使用jquery自定义鼠标样式满足个性需求
2013/11/05 Javascript
jQuery中的$.ajax()方法应用
2014/05/06 Javascript
javascript实现倒计时并弹窗提示特效
2015/06/05 Javascript
jQuery带进度条全屏图片轮播特效代码分享
2020/06/28 Javascript
JS访问DOM节点方法详解
2016/11/29 Javascript
jQuery源码分析之init的详细介绍
2017/02/13 Javascript
js实现功能比较全面的全选和多选
2017/03/02 Javascript
Angular4如何自定义首屏的加载动画详解
2017/07/26 Javascript
jquery-ui 进度条功能示例【测试可用】
2019/07/25 jQuery
关于layui表单中按钮自动提交的解决方法
2019/09/09 Javascript
微信小程序转发事件实现解析
2019/10/22 Javascript
解决vue初始化项目时,一直卡在Project description上的问题
2019/10/31 Javascript
wxPython定时器wx.Timer简单应用实例
2015/06/03 Python
Python实现统计文本文件字数的方法
2017/05/05 Python
Windows上使用Python增加或删除权限的方法
2018/04/24 Python
使用python将图片按标签分入不同文件夹的方法
2018/12/08 Python
Python数据结构之栈、队列及二叉树定义与用法浅析
2018/12/27 Python
Pythony运维入门之Socket网络编程详解
2019/04/15 Python
Django上使用数据可视化利器Bokeh解析
2019/07/31 Python
美国最大的高尔夫发球时间预订网站:TeeOff.com
2018/03/28 全球购物
M.M.LaFleur官网:美国职业女装品牌
2020/10/27 全球购物
建筑装饰学院室内设计专业个人自我评价
2013/12/07 职场文书
《风娃娃》教学反思
2014/04/19 职场文书
班训口号大全
2014/06/18 职场文书
工作作风建设心得体会
2014/10/22 职场文书
2014学生会工作总结报告
2014/12/02 职场文书
如何用python绘制雷达图
2021/04/24 Python
Vue和Flask通信的实现
2021/05/19 Vue.js
JUnit5常用注解的使用
2021/07/02 Java/Android
redis中lua脚本使用教程
2021/11/01 Redis
mysql分组后合并显示一个字段的多条数据方式
2022/01/22 MySQL
CSS实现背景图片全屏铺满自适应的3种方式
2022/07/07 HTML / CSS