pandas如何使用列表和字典創(chuàng)建?Series
前言：
Pandas 納入了大量庫和一些標準的數據模型，提供了高效地操作大型數據集所需的工具。pandas提供了大量能使我們快速便捷地處理數據的函數和方法。
為了讓大家對pandas的操作更加熟練，我整理了一些關于pandas的小操作，會依次為大家展示
今天我將先為大家如何關于pandas如何使用列表和字典創(chuàng)建 Series。
01 使用列表創(chuàng)建 Series
import pandas as pd ser1 = pd.Series([1.5, 2.5, 3, 4.5, 5.0, 6]) print(ser1)
Output:
0??? 1.5
1??? 2.5
2??? 3.0
3??? 4.5
4??? 5.0
5??? 6.0
dtype: float64
02 使用 name 參數創(chuàng)建 Series
import pandas as pd ser2 = pd.Series(["India", "Canada", "Germany"], name="Countries") print(ser2)
Output:
0????? India
1???? Canada
2??? Germany
Name: Countries, dtype: object
03 使用簡寫的列表創(chuàng)建 Series
import pandas as pd ser3 = pd.Series(["A"]*4) print(ser3)
Output:
0??? A
1??? A
2??? A
3??? A
dtype: object
04 使用字典創(chuàng)建 Series
import pandas as pd
ser4 = pd.Series({"India": "New Delhi",
"Japan": "Tokyo",
"UK": "London"})
print(ser4)
Output:
India??? New Delhi
Japan??????? Tokyo
UK????????? London
dtype: object
05 如何使用 Numpy 函數創(chuàng)建 Series
import pandas as pd import numpy as np ser1 = pd.Series(np.linspace(1, 10, 5)) print(ser1) ser2 = pd.Series(np.random.normal(size=5)) print(ser2)
Output:
0???? 1.00
1???? 3.25
2???? 5.50
3???? 7.75
4??? 10.00
dtype: float64
0?? -1.694452
1?? -1.570006
2??? 1.713794
3??? 0.338292
4??? 0.803511
dtype: float64
06 如何獲取 Series 的索引和值
import pandas as pd
import numpy as np
ser1 = pd.Series({"India": "New Delhi",
"Japan": "Tokyo",
"UK": "London"})
print(ser1.values)
print(ser1.index)
print("\n")
ser2 = pd.Series(np.random.normal(size=5))
print(ser2.index)
print(ser2.values)
Output:
['New Delhi' 'Tokyo' 'London']
Index(['India', 'Japan', 'UK'], dtype='object')
?
?
RangeIndex(start=0, stop=5, step=1)
[ 0.66265478 -0.72222211? 0.3608642?? 1.40955436? 1.3096732 ]
07 如何在創(chuàng)建 Series 時指定索引
import pandas as pd
values = ["India", "Canada", "Australia",
"Japan", "Germany", "France"]
code = ["IND", "CAN", "AUS", "JAP", "GER", "FRA"]
ser1 = pd.Series(values, index=code)
print(ser1)
Output:
IND??????? India
CAN?????? Canada
AUS??? Australia
JAP??????? Japan
GER????? Germany
FRA?????? France
dtype: object
08?如何獲取 Series 的大小和形狀
import pandas as pd
values = ["India", "Canada", "Australia",
"Japan", "Germany", "France"]
code = ["IND", "CAN", "AUS", "JAP", "GER", "FRA"]
ser1 = pd.Series(values, index=code)
print(len(ser1))
print(ser1.shape)
print(ser1.size)
Output:
6
(6,)
6
09 如何獲取 Series 開始或末尾幾行數據
Head()函數：
import pandas as pd
values = ["India", "Canada", "Australia",
"Japan", "Germany", "France"]
code = ["IND", "CAN", "AUS", "JAP", "GER", "FRA"]
ser1 = pd.Series(values, index=code)
print("-----Head()-----")
print(ser1.head())
print("\n\n-----Head(2)-----")
print(ser1.head(2))
Output:
-----Head()-----
IND??????? India
CAN?????? Canada
AUS??? Australia
JAP??????? Japan
GER????? Germany
dtype: object
?
?
-----Head(2)-----
IND???? India
CAN??? Canada
dtype: object
Tail()函數：
import pandas as pd
values = ["India", "Canada", "Australia",
"Japan", "Germany", "France"]
code = ["IND", "CAN", "AUS", "JAP", "GER", "FRA"]
ser1 = pd.Series(values, index=code)
print("-----Tail()-----")
print(ser1.tail())
print("\n\n-----Tail(2)-----")
print(ser1.tail(2))
Output:
-----Tail()-----
CAN?????? Canada
AUS??? Australia
JAP??????? Japan
GER????? Germany
FRA?????? France
dtype: object
?
?
-----Tail(2)-----
GER??? Germany
FRA???? France
dtype: object
Take()函數：
import pandas as pd
values = ["India", "Canada", "Australia",
"Japan", "Germany", "France"]
code = ["IND", "CAN", "AUS", "JAP", "GER", "FRA"]
ser1 = pd.Series(values, index=code)
print("-----Take()-----")
print(ser1.take([2, 4, 5]))
Output:
-----Take()-----
AUS??? Australia
GER????? Germany
FRA?????? France
dtype: object
10 使用切片獲取 Series 子集
import pandas as pd
num = [000, 100, 200, 300, 400, 500, 600, 700, 800, 900]
idx = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J']
series = pd.Series(num, index=idx)
print("\n [2:2] \n")
print(series[2:4])
print("\n [1:6:2] \n")
print(series[1:6:2])
print("\n [:6] \n")
print(series[:6])
print("\n [4:] \n")
print(series[4:])
print("\n [:4:2] \n")
print(series[:4:2])
print("\n [4::2] \n")
print(series[4::2])
print("\n [::-1] \n")
print(series[::-1])
Output：
?[2:2]
?
C??? 200
D??? 300
dtype: int64
?
?[1:6:2]
?
B??? 100
D??? 300
F??? 500
dtype: int64
?
?[:6]
?
A????? 0
B??? 100
C??? 200
D??? 300
E??? 400
F??? 500
dtype: int64
?
?[4:]
?
E??? 400
F??? 500
G??? 600
H??? 700
I??? 800
J??? 900
dtype: int64
?
?[:4:2]
?
A????? 0
C??? 200
dtype: int64
?
?[4::2]
?
E??? 400
G??? 600
I??? 800
dtype: int64
?
?[::-1]
?
J??? 900
I??? 800
H??? 700
G??? 600
F??? 500
E??? 400
D??? 300
C??? 200
B??? 100
A????? 0
dtype: int64
到此這篇關于pandas如何使用列表和字典創(chuàng)建 Series的文章就介紹到這了,更多相關pandas使用列表和字典創(chuàng)建 Series內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
本文主要介紹了Pandas數據集的分塊讀取的實現，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2022-08-08
圖像融合是兩幅圖片疊加在一起，本文主要介紹了openCV實現圖像融合的示例代碼，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-03-03
類型轉換，就是將自身的數據類型變成新的數據類型，并擁有新的數據類型的所有功能的過程。本文將詳細為大家介紹如何在Python中實現不同數據類型的轉換，感興趣的可以了解一下2022-03-03
這篇文章主要介紹了詳解Python開發(fā)中如何使用Hook技巧，詳細的介紹了Python Hook的用法和示例，有興趣的可以了解一下2017-11-11
Beautiful Soup 是一個 Python 庫,用于解析 HTML 和 XML 文檔,并提供簡單而直觀的 API 來遍歷文檔樹、搜索元素、提取內容等,這篇文章主要介紹了Python Beautiful Soup 使用示例詳解,需要的朋友可以參考下2024-05-05
在本文中，我們將一起探索幾種從圖像中提取顏色、形狀和紋理特征的方法，這些方法基于處理圖像的經驗，感興趣的小伙伴可以了解一下2022-05-05
Python是數據處理常用工具，可以處理數量級從幾K至幾T不等的數據，具有較高的開發(fā)效率和可維護性，還具有較強的通用性和跨平臺性，這里就為大家分享幾個不錯的數據分析工具,需要的朋友可以參考下2018-04-04
這篇文章主要給大家介紹了關于如何基于pytorch實現運動鞋品牌識別功能,文中通過圖文以及實例代碼介紹的非常詳細,對大家學習或者使用PyTorch具有一定的參考學習價值,需要的朋友可以參考下2024-02-02
這篇文章主要介紹了Python中操作MySQL入門實例,本文講解了安裝、打開數據庫連接、插入數據、查詢數據、刪除數據等操作,需要的朋友可以參考下2015-02-02
這篇文章主要介紹了理解python多線程,一個快速理解python多線程的簡明教程,需要的朋友可以參考下2014-06-06