Pandas(一)--Series结构
目录
Series结构
创建Series对象
访问Series数据
Series常用属性
Series常用方法
Series结构
Series 结构,也称 Series 序列,是 Pandas 常用的数据结构之一,它是一种类似于一维数组的结构,由一组数据值(value)和一组标签组成,其中标签与数据值之间是一一对应的关系。
Series 可以保存任何数据类型,比如整数、字符串、浮点数、Python 对象等,它的标签默认为整数,从 0 开始依次递增。Series 的结构图,如下所示:
通过标签我们可以更加直观地查看数据所在的索引位置。
创建Series对象
Pandas 使用 Series() 函数来创建 Series 对象,通过这个对象可以调用相应的方法和属性,从而达到处理数据的目的:
- import pandas as pd
- s=pd.Series( data, index, dtype, copy)
参数说明如下所示:
参数名称 | 描述 |
---|---|
data | 输入的数据,可以是列表、常量、ndarray 数组等。 |
index | 索引值必须是惟一的,如果没有传递索引,则默认为 np.arrange(n)。 |
dtype | dtype表示数据类型,如果没有提供,则会自动判断得出。 |
copy | 表示对 data 进行拷贝,默认为 False。 |
可以使用数组、字典、标量值或者 Python 对象来创建 Series 对象。下面展示了创建 Series 对象的不同方法:
1) 创建一个空Series对象
import pandas as pd
#输出数据为空
s = pd.Series()
print(s)输出结果如下:
Series([], dtype: float64)
2) ndarray创建Series对象
ndarray 是 NumPy 中的数组类型,当 data 是 ndarry 时,传递的索引必须具有与数组相同的长度。假如没有给 index 参数传参,在默认情况下,索引值将使用是 range(n) 生成,其中 n 代表数组长度,如下所示:
import pandas as pd
import numpy as np# 使用默认索引,创建 Series 序列对象,这种设置方式被称为“隐式索引”。
data = np.array(['a','b','c','d'])
s = pd.Series(data)
print (s)输出结果如下:
0 a
1 b
2 c
3 d
dtype: object# 可以使用“显式索引”的方法定义索引标签,自定义索引标签(即显示索引)
s = pd.Series(data,index=[100,101,102,103])
print(s)
输出结果:100 a
101 b
102 c
103 d
dtype: object
3) dict创建Series对象
您可以把 dict 作为输入数据。如果没有传入索引时会按照字典的键来构造索引;反之,当传递了索引时需要将索引标签与字典中的值一一对应。
下面两组示例分别对上述两种情况做了演示。
import pandas as pd
import numpy as np# 示例1,没有传递索引时:
data = {'a' : 0., 'b' : 1., 'c' : 2.}
s = pd.Series(data)
print(s)
输出结果:a 0.0
b 1.0
c 2.0
dtype: float64# 示例 2,为index参数传递索引时:
s = pd.Series(data,index=['b','c','d','a'])
print(s)
输出结果:b 1.0
c 2.0
d NaN # 当传递的索引值无法找到与其对应的值时,使用 NaN(非数字)填充。
a 0.0
dtype: float64
4) 标量创建Series对象
# 如果 data 是标量值,则必须提供索引,示例如下:import pandas as pd
import numpy as np
s = pd.Series(5, index=[0, 1, 2, 3])print(s)
输出如下:
0 5
1 5
2 5
3 5
dtype: int64
标量值按照 index 的数量进行重复,并与其一一对应。
访问Series数据
上述讲解了创建 Series 对象的多种方式,那么我们应该如何访问 Series 序列中元素呢?分为两种方式,一种是位置索引访问;另一种是索引标签访问。
1) 位置索引访问
这种访问方式与 ndarray 和 list 相同,使用元素自身的下标进行访问。我们知道数组的索引计数从 0 开始,这表示第一个元素存储在第 0 个索引位置上,以此类推,就可以获得 Series 序列中的每个元素。下面看一组简单的示例:
import pandas as pd
s = pd.Series([1,2,3,4,5],index = ['a','b','c','d','e'])# 通过位置和标签下标访问
print(s[0]) #位置下标
print(s['a']) #标签下标
输出结果:
1
1# 使用索引标签访问多个元素值
print(s[['a','c','d']])
输出结果:
a 1
c 3
d 4
dtype: int64# 通过切片的方式访问 Series 序列中的数据,示例如下:
print(s[:3])
输出结果:
a 1
b 2
c 3
dtype: int64
Series常用属性
下面介绍 Series 的常用属性和方法。在下表列出了 Series 对象的常用属性。
名称 | 属性 |
---|---|
axes | 以列表的形式返回所有行索引标签。 |
dtype | 返回对象的数据类型。 |
empty | 返回一个空的 Series 对象。 |
ndim | 返回输入数据的维数。 |
size | 返回输入数据的元素数量。 |
values | 以 ndarray 的形式返回 Series 对象。 |
index | 返回一个RangeIndex对象,用来描述索引的取值范围。 |
示例如下:
import pandas as pd
import numpy as np
s = pd.Series(np.random.randn(5))# axes
print(s.axes)
[RangeIndex(start=0, stop=5, step=1)]# dtype
print(s.dtype)
float64# empty
print(s.empty)
False# ndim
print(s.ndim)
1 # 因为其为一维数组,其始终返回1# size
print(s.size)
5# values
print(s.values)
[-0.50210028 0.69619407 -0.98206327 0.41642976 -1.38451433]# index
print(s.index)
RangeIndex(start=0, stop=5, step=1) # 隐式索引
Series常用方法
1) head()&tail()查看数据
如果想要查看 Series 的某一部分数据,可以使用 head() 或者 tail() 方法。其中 head() 返回前 n 行数据,默认显示前 5 行数据。
import pandas as pd
import numpy as np
s = pd.Series(np.random.randn(5))#返回前三行数据
print(s.head(3))
head(3)输出:
dtype: float64
0 1.249679
1 0.636487
2 -0.987621
dtype: float64# tail() 返回的是后 n 行数据,默认为后 5 行,输出后两行数据
print (s.tail(2))
输出后两行数据:
dtype: float64
2 -0.719175
3 -0.035178
dtype: float64
2) isnull()&nonull()检测缺失值
isnull() 和 nonull() 用于检测 Series 中的缺失值。所谓缺失值,顾名思义就是值不存在、丢失、缺少。
- isnull():如果为值不存在或者缺失,则返回 True。
- notnull():如果值不存在或者缺失,则返回 False。
针对数据丢失的现象,可以使用相应的方法对缺失值进行处理,比如均值插值、数据补齐等方法。上述两个方法可以检测是否存在缺失值。示例如下:
import pandas as pd
#None代表缺失数据
s=pd.Series([1,2,5,None])print(pd.isnull(s)) #是空值返回True
输出结果:
0 False
1 False
2 False
3 True
dtype: boolprint(pd.notnull(s)) #空值返回False
notnull():
0 True
1 True
2 True
3 False
dtype: bool
Pandas(一)--Series结构相关推荐
- Pandas中Series结构的切片详解以及常用技巧
Series的切片:(1)Series使用标签切片运算与普通的Python切片运算不同:Series使用标签切片时,其末端是包含的 (2)Series使用Python切片运算即使用位置数值切片,其末端 ...
- pandas学习之Series结构
#!/usr/bin/env python # -*- coding:utf-8 -*- """ 系列(值的集合) DataFrame数据包(系列对象的集合) panel ...
- python使用pandas模块介绍以及使用,dataframe结构,Series结构,基本数据操作,DataFrame运算,pandas画图,存储,缺失值处理,离散化,合并
目录 1 pandas介绍 1.1 Pandas介绍 1.2 为什么使用Pandas 1.3 案例:在numpy当中创建的股票涨跌幅数据形式 1.4 DataFrame 1.4.1 DataFrame ...
- 【DS with Python】 Pandas中Series DataFrame的结构、创建、查询、修改语法与实例
文章目录 前言 一.Series结构与应用 1.1 Series的构造 1.2 创建Series 1.2.1 可用于创建Series的类型 1.2.2 三种设置index的方法 1.2.3 Serie ...
- 【数据分析】认识Pandas:DataFrame和Series结构、属性
数据分析工具--Pandas 认识Pandas Dataframe 结构 DataFrame 构造方法 dtype参数 Series 结构 Series 构造方法 DataFrame和Series属性 ...
- NumPy一维数组、二维数组与Pandas的Series、DataFrame行列结构和横纵方向的统一说明
最近在这个问题上耽误了一些时间,原因是之前个人理解上出了一些偏差,又受到错误文章的误导,把这个问题搞复杂了,现在统一梳理一下.在展开之前,先明确说明的是:NumPy的二维数组与Pandas的DataF ...
- 【Python】Pandas基础:结构化数据处理
python:Pandas基础:结构化数据处理 目录: 文章目录 @[toc] 一 pandas及其重要性 二 pandas的数据结构介绍 1 Series 2 DataFrame 3 索引对象 三 ...
- pandas库Series使用和ix、loc、iloc基础用法
1. pandas库Series基础用法: 直接贴出用例: 1. 构造/初始化Series的3种方法: (1)用列表list构建Series import pandas as pd my_list=[ ...
- Python 数据分析三剑客之 Pandas(一):认识 Pandas 及其 Series、DataFrame 对象
CSDN 课程推荐:<迈向数据科学家:带你玩转Python数据分析>,讲师齐伟,苏州研途教育科技有限公司CTO,苏州大学应用统计专业硕士生指导委员会委员:已出版<跟老齐学Python ...
最新文章
- 2013.11.13
- JavaScript中数组slice和splice的对比小结
- Ext 1.0 简要说明 类继承关系图
- java 百度地图地址解析_百度地图Java地址解析和经纬度解析
- 11纯代码 oc xcode_iOS代码染色原理及技术实践
- C 创建基本图表 Chart Controls
- (一)数据结构与算法-线性结构和非线性结构
- 富文本编辑器 CKeditor 配置使用
- 继承/作⽤域/作⽤域链
- Shell中字符串反转的六大方法
- 零基础带你学习MySQL—not null 非空(二十四)
- [Python] wxPython 菜单栏控件学习总结(原创)
- MSOCache 文件夹是否可以删除
- 世界流调——Gary
- aix 到 linux的网络,通过VIOS实现AIX系统的网络虚拟化
- SAP中库存地点MRP应用控制
- DVWA Contradiction #01
- OpenResty学习——第七章 Web开发实战2——商品详情页
- JS中的Storage
- 【安全测试】数据安全性