pandasSeries模块
2024-04-27 17:14:18
Pandas用法
import pandas as pd
import numpy as np
1.创建Series
1）创建一个空Series
s = pd.Series()
s
<ipython-input-3-85850638a114>:1: DeprecationWarning: The default dtype for empty Series will be 'object' instead of 'float64' in a future version. Specify a dtype explicitly to silence this warning.s = pd.Series()Series([], dtype: float64)
2)从ndarray创建一个Series，并规定索引为[100,101,102,103]
arr = np.array(['a','b','c','d'])
ser1 = pd.Series(arr,index=[100,101,102,103])
ser1
100 a
101 b
102 c
103 d
dtype: object
3)从字典创建一个Series，字典键用于构建索引
dic = {'a':0,'b':1,'c':2,'d':3}
dic
{'a': 0, 'b': 1, 'c': 2, 'd': 3}
ser2 = pd.Series(dic)
ser2
a 0
b 1
c 2
d 3
dtype: int64
4) 从标量创建一个Series，此时，必须提供索引，重复值以匹配索引的长度
s = pd.Series(5,index = [0,1,2,3])
s
0 5
1 5
2 5
3 5
dtype: int64
2.从具体位置的Series中访问数据(pandas切片)
1) 检索Series中的第一个元素
s=pd.Series([1,2,3,4,5],index=['a','b','c','d','e'])
s
a 1
b 2
c 3
d 4
e 5
dtype: int64
s[0]
1
2) 检索Series中的前三个元素
s[:3]
a 1
b 2
c 3
dtype: int64
3) 检索Series中最后三个元素
s[2:]
c 3
d 4
e 5
dtype: int64
s[-3:]
c 3
d 4
e 5
dtype: int64
3.使用标签检索数据（索引）：一个Series就像一个固定大小的字典，可以通过索引标签获取和设置值
1) 使用索引标签检索单个元素
s = pd.Series([1,2,3,4,5],index = ['a','b','c','d','e'])
s
a 1
b 2
c 3
d 4
e 5
dtype: int64
s['b']
2
2) 使用索引标签列表检索多个元素
s1 = pd.Series([1,2,3,4,5],index = ['a','b','c','d','e'])
s1
a 1
b 2
c 3
d 4
e 5
dtype: int64
print(['a','b','c','d'])
['a', 'b', 'c', 'd']
3) 如果不包含标签，检索会出现异常
s['f']
---------------------------------------------------------------------------KeyError Traceback (most recent call last)C:\ProgramData\Anaconda3\lib\site-packages\pandas\core\indexes\base.py in get_loc(self, key, method, tolerance)2894 try:
-> 2895 return self._engine.get_loc(casted_key)2896 except KeyError as err:pandas\_libs\index.pyx in pandas._libs.index.IndexEngine.get_loc()pandas\_libs\index.pyx in pandas._libs.index.IndexEngine.get_loc()pandas\_libs\hashtable_class_helper.pxi in pandas._libs.hashtable.PyObjectHashTable.get_item()pandas\_libs\hashtable_class_helper.pxi in pandas._libs.hashtable.PyObjectHashTable.get_item()KeyError: 'f'The above exception was the direct cause of the following exception:KeyError Traceback (most recent call last)<ipython-input-24-c23937ec966b> in <module>
----> 1 s['f']C:\ProgramData\Anaconda3\lib\site-packages\pandas\core\series.py in __getitem__(self, key)880 881 elif key_is_scalar:
--> 882 return self._get_value(key)883 884 if is_hashable(key):C:\ProgramData\Anaconda3\lib\site-packages\pandas\core\series.py in _get_value(self, label, takeable)987 988 # Similar to Index.get_value, but we do not fall back to positional
--> 989 loc = self.index.get_loc(label)990 return self.index._get_values_for_loc(self, loc, label)991 C:\ProgramData\Anaconda3\lib\site-packages\pandas\core\indexes\base.py in get_loc(self, key, method, tolerance)2895 return self._engine.get_loc(casted_key)2896 except KeyError as err:
-> 2897 raise KeyError(key) from err2898 2899 if tolerance is not None:KeyError: 'f'
4.简单运算
在pandas的Series中，会保留NumPy的数组操作（用布尔数组过滤数据，标量乘法，以及使用数学函数），并同时保持引用的使用
1) 例
ser2 = pd.Series(range(4),index = ["a","b","c","d"])
ser2
a 0
b 1
c 2
d 3
dtype: int64
ser2[ser2 > 2]
d 3
dtype: int64
ser2 * 2
a 0
b 2
c 4
d 6
dtype: int64
np.exp(ser2)
a 1.000000
b 2.718282
c 7.389056
d 20.085537
dtype: float64
Series的自动对齐Series的一个重要功能就是自动对齐（不明觉厉），看看例子就明白了。 差不多就是不同Series对象运算的时候根据其索引进行匹配计算
1）创建两个Series名为ser3与ser4.
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
sdata
{'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
ser3 = pd.Series(sdata)
ser3
Ohio 35000
Texas 71000
Oregon 16000
Utah 5000
dtype: int64
states = ['California', 'Ohio', 'Oregon', 'Texas']
states
['California', 'Ohio', 'Oregon', 'Texas']
ser4 = pd.Series(sdata,index = states)
ser4
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64
ser3+ser4
California NaN
Ohio 70000.0
Oregon 32000.0
Texas 142000.0
Utah NaN
dtype: float64
5.Series增删改
1) 增：Series的add()方法是加法计算不是增加Series元素用的，使用append连接其他Series。
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
sdata
{'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
ser3 = pd.Series(sdata)
ser3
Ohio 35000
Texas 71000
Oregon 16000
Utah 5000
dtype: int64
states = ['California', 'Ohio', 'Oregon', 'Texas']
states
['California', 'Ohio', 'Oregon', 'Texas']
ser4 = pd.Series(sdata,index = states)
ser4
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64
ser3.append(ser4)
Ohio 35000.0
Texas 71000.0
Oregon 16000.0
Utah 5000.0
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64
2)删：Series的drop()方法可以对Series进行删除操作，返回一个被删除后的Series，原来的Series不改变
s = pd.Series([1,2,3,4,5],index = ['a','b','c','d','e'])
s
a 1
b 2
c 3
d 4
e 5
dtype: int64
a1 = s.drop('a')
s
a 1
b 2
c 3
d 4
e 5
dtype: int64
a1
b 2
c 3
d 4
e 5
dtype: int64
3) 改：通过索引的方式查找到某个元素，然后通过“=”赋予新的值
s = pd.Series([1,2,3,4,5],index = ['a','b','c','d','e'])
s
a 1
b 2
c 3
d 4
e 5
dtype: int64
s['a']=5
s
a 5
b 2
c 3
d 4
e 5
dtype: int64
pandasSeries模块相关推荐
- etcd 笔记（05）— etcd 代码结构、各模块功能、整体架构、各模块之间的交互、请求和应答流程
1. etcd 项目结构和功能 etcd 项目代码的目录结构如下: $ tree ├── auth ├── build ├── client ├── clientv3 ├── contrib ├── ...
- OpenCV 笔记（01）— OpenCV 概念、整体架构、各模块主要功能
1. OpenCV 概念 图像处理( Image Processing )是用计算机对图像进行分析, 以达到所需结果的技术, 又称影像处理. 图像处理技术一般包括图像压缩, 增强和复原, 匹配.描述和 ...
- Python 多线程总结（1）- thread 模块
thread 模块 1. 单线程 首先看下单线程程序运行的例子,如下所示, import timedef loop0():print 'start loop0 begin', time.ctime() ...
- 关于python导入模块和package的一些深度思考
背景 在python中有导入模块和导入package一说,这篇文章主要介绍导入模块和package的一些思考. 首先什么是模块?什么是package? 模块:用来从逻辑上组织python代码(变量,函 ...
- Python Re 模块超全解读！详细
内行必看!Python Re 模块超全解读! 2019.08.08 18:59:45字数 953阅读 121 re模块下的函数 compile(pattern):创建模式对象 > import ...
- python性能分析之line_profiler模块-耗时,效率 时间
20210203 直接用pycharm 自带的 20201215 直接装不上的情况下 先下载安装文件 再安装 line_profiler使用装饰器(@profile)标记需要调试的函数.用kernpr ...
- python：Json模块dumps、loads、dump、load介绍
20210831 https://www.cnblogs.com/bigtreei/p/10466518.html json dump dumps 区别 python:Json模块dumps.load ...
- 关于python 中的__future__模块
Python的每个新版本都会增加一些新的功能,或者对原来的功能作一些改动.有些改动是不兼容旧版本的,也就是在当前版本运行正常的代码,到下一个版本运行就可能不正常了. 具体说来就是,某个版本中出现了某个 ...
- GPUtil是一个Python模块，使用nvidia-smi从NVIDA GPU获取GPU状态
GPUtil是一个Python模块,使用nvidia-smi从NVIDA GPU获取GPU状态 一个Python模块,用于在Python中使用nvidia-smi以编程方式从NVIDA GPU获取GP ...
- Python多线程（3）——Queue模块
Python多线程(3)--Queue模块 Queue模块支持先进先出(FIFO)队列,支持多线程的访问,包括一个主要的类型(Queue)和两个异常类(exception classes). Pyth ...
最新文章
- 『PaddlePaddle X Wechaty』有颜又有才的Living_Bot
- 互联网文本内容安全：腾讯云天御AI对抗实践
- webapi get请求 FromUri list参数传递
- 移动端中如何检测设备方向的变化？
- DirectShow 在VS2005中环境配置
- 【java】反射+poi 导出excel
- 运维转python开发_Python运维开发基础10-函数基础【转】
- Linux下yum配置及相关问题
- 用DIB位图显示图像
- Axure中SVG矢量图标的使用方法及资源推荐
- 西藏自治区林芝市谷歌高清卫星地图下载(百度网盘离线包下载)
- yigo项目中使用的函数
- 可以称为是“钢铁侠” 原型
- 机器学习【逻辑回归】——logistic函数逻辑回归鸢尾花分类
- R语言double数据转成numeric类型
- 利用计算机可以干什么,打开电脑不知道干什么 多个领域运用广【图解】
- 龙芯的全新自主指令集到底强在何处？
- xubuntu系统中设置上边框隐藏
- foobar2000 iOS使用，并连接PC的歌曲进行播放
- 关于《设计模式》与《设计模式沉思录》中提到的“常露齿嘻笑的猫”（Cheshire Cat）的说明...
热门文章
- 各种排序算法的实现直接插入排序
- 应用SqlParameter防止注入式攻击，打开主窗体关闭登录窗体
- vuforia for unity 注意事项
- 《图解算法》学习之算法复杂度、运行时间
- Kinect unity三维重建
- tinyxml读xml文件
- Atitit maven配置pom文件 配置法v2 t33 目录 1. Maven打包war原理 1 1.1. 在target目录生成war包ori目录。。。里面就是所有的资源 1 1.2. 去掉
- Atitit 中间件之道 attilax著 1. 第1章 中间件产生背景及分布式计算环境 2 2. 中间件分类 3 2.1. 商业中间件：weblogic，was，conherence 开源中间
- Atitit 分布式之道 attilax著 第4章 通信 第7章 一致性和复制 第8章 容错性 第9章 安全性 第10章 基于对象的分布式系统 第11章 分布式文件系统 第12章 基于Web的分
- Atitit sql执行计划