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 ...

Pandas(一)--Series结构