pandas.core.series.Series
1 Series
线性的数据结构, series是一个一维数组
Pandas 会默然用0到n-1来作为series的index, 但也可以自己指定index( 可以把index理解为dict里面的key )
1.1创造一个serise数据
import pandas as pd
import numpy as np
s = pd.Series([9, 'zheng', 'beijing', 128])
print(s)
打印
打印0 9
1 zheng
2 beijing
3 128
dtype: object
访问其中某个数据
访问其中某个数据print(s[1:2])
# 打印
1 zheng
dtype: object
1.2 指定index
import pandas as pd
import numpy as np
s = pd.Series([9, 'zheng', 'beijing', 128, 'usa', 990], index=[1,2,3,'e','f','g'])
print(s)
打印
打印1 9
2 zheng
3 beijing
e 128
f usa
g 990
dtype: object
根据索引找出值
print(s['f']) # usa
1.3 用dictionary构造一个series
import pandas as pd
import numpy as np
s = {"ton": 20, "mary": 18, "jack": 19, "car": None}
sa = pd.Series(s, name="age")
print(sa)
打印
car NaN
jack 19.0
mary 18.0
ton 20.0
Name: age, dtype: float64
检测类型
print(type(sa)) # <class 'pandas.core.series.Series'>
1.4 用numpy ndarray构造一个Series
#生成一个随机数
import pandas as pd
import numpy as np
num_abc = pd.Series(np.random.randn(5), index=list('abcde'))
num = pd.Series(np.random.randn(5))
print(num)
print(num_abc)
# 打印
0 -0.102860
1 -1.138242
2 1.408063
3 -0.893559
4 1.378845
dtype: float64
a -0.658398
b 1.568236
c 0.535451
d 0.103117
e -1.556231
dtype: float64
1.5 选择数据
import pandas as pd
import numpy as np
s = pd.Series([9, 'zheng', 'beijing', 128, 'usa', 990], index=[1,2,3,'e','f','g'])
print(s[1:3]) # 选择第1到3个, 包左不包右 zheng beijing
print(s[[1,3]]) # 选择第1个和第3个, zheng 128
print(s[:-1]) # 选择第1个到倒数第1个, 9 zheng beijing 128 usa
1.6 操作数据
import pandas as pd
import numpy as np
s = pd.Series([9, 'zheng', 'beijing', 128, 'usa', 990], index=[1,2,3,'e','f','g'])
sum = s[1:3] + s[1:3]
sum1 = s[1:4] + s[1:4]
sum2 = s[1:3] + s[1:4]
sum3 = s[:3] + s[1:]
print(sum)
print(sum1)
print(sum2)
print(sum3)
#打印
2 zhengzheng
3 beijingbeijing
dtype: object
2 zhengzheng
3 beijingbeijing
e 256
dtype: object
2 zhengzheng
3 beijingbeijing
e NaN
dtype: object
1 NaN
2 zhengzheng
3 beijingbeijing
e NaN
f NaN
g NaN
dtype: object
1.7 查找
- 范围查找
import pandas as pd import numpy as nps = {"ton": 20, "mary": 18, "jack": 19, "jim": 22, "lj": 24, "car": None}sa = pd.Series(s, name="age")print(sa[sa>19])
- 中位数
import pandas as pd import numpy as nps = {"ton": 20, "mary": 18, "jack": 19, "jim": 22, "lj": 24, "car": None}sa = pd.Series(s, name="age")print(sa.median()) # 20
- 判断是否大于中位数
import pandas as pd import numpy as nps = {"ton": 20, "mary": 18, "jack": 19, "jim": 22, "lj": 24, "car": None}sa = pd.Series(s, name="age")print(sa>sa.median())
1.9 满足条件的统一赋值
import pandas as pd import numpy as nps = {"ton": 20, "mary": 18, "jack": 19, "jim": 22, "lj": 24, "car": None}sa = pd.Series(s, name="age")print(s) # 打印原字典print('---------------------') # 分割线sa[sa>19] = 88 # 将所有大于19的同一改为88print(sa) # 打印更改之后的数据print('---------------------') # 分割线print(sa / 2) # 将所有数据除以2
pandas.core.series.Series相关推荐
- python删除所有core文件_python – 从pandas.core.series.Series中删除前导零
我有一个带有数据的pandas.core.series.Series 0 [00115840, 00110005, 001000033, 00116000... 1 [00267285, 002636 ...
- pandas教程:series和dataframe
起步 pandas是一种Python数据分析的利器,是一个开源的数据分析包,最初是应用于金融数据分析工具而开发出来的,因此pandas为时间序列分析提供了很好的支持.pandas是PyData项目的一 ...
- python数据分析之pandas里的Series
1 Series 线性的数据结构,series是一个一维数组 Pandas会默认用0到-1来作为series的index,但也可以自己指定index(可以把index理解为dict里面的key) 1. ...
- python pandas series加速原理_python pandas中对Series数据进行轴向连接的实例
有时候我们想要的数据合并结果是数据的轴向连接,在pandas中这可以通过concat来实现.操作的对象通常是Series. Ipython中的交互代码如下: In [17]: from pandas ...
- Python数据挖掘2:pandas使用:Series一串数字和DataFrame数据框
''' pandas 来源:Dust的天善智能韦玮老师 课堂笔记 ''' import pandas as pda ''' Series 一串数字 index 索引,默认0,1,2,3 DataFra ...
- Pandas的学习(1.pandas的介绍以及pandas中的Series的创建)
什么是Pandas? 1. Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的 2. pandas 纳入了大 ...
- Python中的Pandas(1.pandas概述和Series的概述和相关操作)
Pandas : (Python Data Analysis Library 即 Python数据分析库),是基于Numpy的一种工具,该工具是为了解决数据分 ...
- pandas基础(part1)--Series
学习笔记,这个笔记以例子为主. 开发工具:Spyder 文章目录 pandas介绍 Series 创建Series 访问Series中的数据 pandas日期处理 DateTimeIndex pand ...
- python pandas模块_Python3.5 Pandas模块中Series用法详解
Python3.5 Pandas模块中Series用法实例 本文实例讲述了Python3.5 Pandas模块之Series用法.分享给大家供大家参考,具体如下: 1.Pandas模块引入与基本数据结 ...
最新文章
- C++指针初始化总结
- Dataset:数据生成之利用pandas自定义生成随机各自类型(离散型和连续型)的dataframe数据
- ASP.NET Core Web API 与 SSL
- 【数据结构与算法】之深入解析“将数据流变为多个不相交区间”的求解思路与算法示例
- 海南计算机网络技术学校,三亚广播电视大学计算机网络技术专业_海南报名_网络教育计算机网络技术专业教学计划_中国教育在线...
- 【bzoj2132】圈地计划 网络流最小割
- Python3 - 刷博客访问量脚本
- Java 算法 礼物分配
- C++_类和对象_对象特性_深拷贝与浅拷贝---C++语言工作笔记044
- m()在php中的意思,计算器上的mc m+ m- mr是什么意思?
- 如何更高效、更系统地彻底搞懂3D视觉?
- uva11549Calculator Conundrum
- c语言有趣源代码,分享一段有趣的小代码
- 地缘剧本杀 (十一):疗伤(原创小说连载,内含语音)
- 《编程之美》 查找最大(小)的k个元素
- winpe修复计算机无法启动,用winpe来修复无法进入系统的问题
- 云原生可观测性平台deepflow部署
- 【不一样的面经】阿里面试,我挂在了第四轮……
- 【计算机网络】以太网供电PoE - Power over Ethernet
- 【爬虫】爬取链家网青城山二手房源信息
热门文章
- python爬取陌生人的qq空间_Python爬取QQ空间好友说说并生成词云(超详细)
- 返回上一页面刷新与不刷新的方法
- R语言可视化——动态心型图
- 【已解决】java.lang.annotation.AnnotationFormatError: Invalid default: public abstract java.lang.Class or
- 打印_battery_status.scale
- Oracle EBS 导入日记账提示警告 GL_INTERFACE 错误代码ECW1,EC11
- 三.栈与栈的实例——汉诺塔
- tplink 有良知的路由器厂商
- Android9.0支持exFat格式u盘识别
- CSDN盲盒中奖MacBook Surprise