Series

Series是線性的數(shù)據(jù)結(jié)構(gòu)，帶有標(biāo)簽的一維數(shù)組，軸標(biāo)簽統(tǒng)稱為索引，數(shù)據(jù)和標(biāo)簽之間存在聯(lián)系

一、導(dǎo)入Series

from pandas import Series

如果沒有安裝pandas的話，使用pip install pandas 進(jìn)行導(dǎo)入

二、創(chuàng)建Series

1、使用列表或者numpy進(jìn)行創(chuàng)建，默認(rèn)索引為0到N-1的整數(shù)型索引

a = Series([list], index=[list])

備注：      

index： 設(shè)置Series的index，index列表的元素個數(shù)跟數(shù)據(jù)list的元素個數(shù)要對應(yīng)起來

示例：      

沒有index的話，默認(rèn)index為0到N-1的整數(shù)型索引

obj = Series([1,2,3,4])
obj

自定義 index：

obj2 = Series([1,2,3,4],index=[‘a(chǎn)',‘b',‘c',‘d'])
obj2

numpy創(chuàng)建跟list創(chuàng)建是相同的道理

2、使用字典創(chuàng)建(推薦使用)

創(chuàng)建方法為：

a = Series({Dict})

示例：

obj = Series({‘a(chǎn)':1,‘b':2, ‘c':3, ‘d':4})
obj

總結(jié)： 比較推薦使用方法2，是因為方法2中沒有對應(yīng)index（index中的元素個數(shù)要跟數(shù)據(jù)個數(shù)相同）的限制，這樣方法2就會比較自由

創(chuàng)建成功之后，下一步就是取值，Series可通過索引和切片的方法進(jìn)行取值

三、Series的索引和切片

索引是為了獲取具體的值，而切片則是為了獲取一定范圍內(nèi)的值

1、顯式索引與切片

顯式索引

s.loc[‘索引名稱']? ? ? ? ?#使用index中元素的名稱作為索引值

示例： 取單個值：

obj = Series({‘a(chǎn)':10,‘b':12,‘c':17})
obj.loc[‘a(chǎn)'] ???? # 也可省略loc,即obj.loc[‘a(chǎn)']

取多個值：

obj.loc[[‘a(chǎn)',‘c']] ???? # 或 obj[[‘a(chǎn)',‘c']]

顯式切片：

obj = Series({‘a(chǎn)':10,‘b':12,‘c':17})
obj[‘a(chǎn)':‘c'] ? ? ? ? # 或 obj[‘a(chǎn)':‘c']

2、隱式索引與切片

隱式索引

s.iloc[]? ? ? ? #使用index中元素對應(yīng)的下標(biāo)作為索引值

示例： 取單個值：

obj = Series({‘a(chǎn)':10,‘b':12,‘c':17})
obj.iloc[0] ???? # 或 obj[0]

取多個值：

obj.iloc[[0, 1]] ???? # 或 obj[[0, 1]]

隱式切片：

obj = Series({‘a(chǎn)':10,‘b':12,‘c':17})
obj.iloc[0:2] ???? # 或 obj[0:2]

學(xué)了這個顯式和隱式的操作，可能大家有一些迷糊，那么進(jìn)行一下總結(jié)：

• 顯式索引就是通過索引值獲取對應(yīng)索引的結(jié)果（loc可省略）
  隱式索引就是通過索引的下標(biāo)獲取對應(yīng)索引的結(jié)果（.loc可省略）
• 切片和取多個值的格式要注意區(qū)分：

切片的格式為： [:]               即 一個[], 中間的為冒號，相當(dāng)于list中的切片

取多值的格式為：[[,]]          即 兩個[], 中間的分隔為逗號

• 注意切片操作中，顯式索引和隱式索引的區(qū)別

顯式索引是通過索引值獲取索引的結(jié)果，兩邊索引值對應(yīng)的值都能取到 左閉右閉

隱式索引為通過索引的下標(biāo)獲取的結(jié)果，只能取到左邊索引下標(biāo)對應(yīng)的值，右邊索引下標(biāo)對應(yīng)的值取不到，同python中的list切片  左閉右開

• 其實在Series中，有沒有l(wèi)oc或者iloc好像沒什么區(qū)別，但這并不說明loc和iloc就沒有用，個人覺得它更有意義的是在DataFrame當(dāng)中使用，而且，知道loc和iloc能閱讀明白他人的代碼，避免見到后不認(rèn)識

四、Series的基本概念

1、通過head(),tail()快速查看Series對象的樣式

1）先創(chuàng)建個測試數(shù)據(jù)

s = pd.Series(np.random.randint(1,10,size=(10,)))

2）獲取數(shù)據(jù)的前五行數(shù)據(jù)

s.head() # 默認(rèn)是前五行數(shù)據(jù)，可自定義行數(shù)，比如想要十行的話，s.head(10)

tail()是展示數(shù)據(jù)的后五行，也可自定義行數(shù)， 例如：s.tail(10) 即 展示數(shù)據(jù)的后10行

2、isnull(),notnull()函數(shù)檢測缺失數(shù)據(jù)

缺失數(shù)據(jù)在Series中一般表示為： NaN（not a number）

1）創(chuàng)建測試數(shù)據(jù)

obj = Series([10,4,np.nan])

2）使用notnull()查看空值，為空則返回Flase，不為空則返回True

notnull = pd.notnull(obj)

3）根據(jù)isnull()返回的結(jié)果，取不為空的數(shù)據(jù)

obj[notnull]

isnull()跟notnull()的用法相同，只不過是，isnull()為空返回True，notnull()為空返回False

3、擴(kuò)展

可以把Series看成一個定長的有序字典 可以通過shape，size，index，values等得到series的屬性

五、Series的運(yùn)算

1、 適用于numpy的數(shù)組運(yùn)算也適用于Series

這個需要仔細(xì)了解numpy的運(yùn)算才行，這個就不擴(kuò)展了，大家有興趣的話，可上網(wǎng)上搜索下相關(guān)知識點

2、Series之間的運(yùn)算

首先說下Series之間常用的運(yùn)算：

add加 sub減 mul乘 div除

1）相同索引的數(shù)據(jù)進(jìn)行運(yùn)算， 如果索引不對應(yīng)，則補(bǔ)NaN

①：測試數(shù)據(jù)

A = pd.Series([2,4,6],index=[0,1,2])
B = pd.Series([1,3,5],index=[1,2,3])
display(A,B)

②： 加運(yùn)算

A.add(B)

在A和B數(shù)據(jù)中，index（索引）中的1、2是相同的，所以對應(yīng)索引的數(shù)據(jù)進(jìn)行運(yùn)算，而其他索引對應(yīng)不上的則沒有相加的數(shù)值，所以值只能為NaN

擴(kuò)展

出現(xiàn)NaN的原因是，兩個Series中，索引相關(guān)的只對應(yīng)不上，但我現(xiàn)在不想讓這些對應(yīng)不上的為NaN,那么有什么辦法解決這個問題呢？

fill_value: 對空值賦值

A.add(B,fill_value=0)

fill_value的值為0時，則是，將索引不對應(yīng)的補(bǔ)充為0， 如果自定義為，ill_value的值為1，則，將索引不對應(yīng)的補(bǔ)充為1

到此這篇關(guān)于關(guān)于數(shù)據(jù)分析Pandas的Series用法總結(jié)的文章就介紹到這了,更多相關(guān)Pandas的Series用法內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論