【1.4】Pandas学习-数据结构Series索引

Series索引

通过位置下标

#  通过位置下标

import numpy as np
import pandas as pd

s = pd.Series(np.random.rand(5))
print(s)
print('-------------------')
print(s[0],type(s[0]),s[0].dtype) 
print(float(s[0]),type(float(s[0])))

# 输出结果为numpy.float格式
# 可以通过float() 函数转换为 Python float格式

# 注意这里不能用s[-1]进行索引


结果如下：
0    0.985720
1    0.610424
2    0.794172
3    0.521456
4    0.233943
dtype: float64
-------------------
0.9857204496573357 <class 'numpy.float64'> float64
0.9857204496573357 <class 'float'>

通过标签索引

s = pd.Series(np.random.rand(5),index = ['a','b','c','d','e'])
print(s)
print('----------------------')

print(s['a'],type(s['a']),s['a'].dtype)
# 方法类似下标索引，用[]表示，内写上index，注意index是字符串
print('----------------------')
s1 = s[['a','b','e']]
print(s1,type(s1))
# 如果需要选择多个标签的值，用[[]]表示，相当于[]中包含一个列表
# 多标签索引结果是新的数组

结果如下：
a    0.975143
b    0.572161
c    0.185438
d    0.650765
e    0.496250
dtype: float64
----------------------
0.9751425544700743 <class 'numpy.float64'> float64
----------------------
a    0.975143
b    0.572161
e    0.496250
dtype: float64 <class 'pandas.core.series.Series'>

通过切片索引

# 通过切片索引

s1 = pd.Series(np.random.rand(5))
s2 = pd.Series(np.random.rand(5),index = ['a','b','c','d','e'])
print(s1)
print('-------------------')
print(s1[1:4],s1[4])
print('-------------------')
print(s2['a':'c'],s2['c']) # 用index做切片是末端包含

print('-------------------')
print(s2[:-1])
print(s2[::2])
# 下标索引做切片，和list写法一样

结果如下：
0    0.103141
1    0.569733
2    0.494048
3    0.984490
4    0.815918
dtype: float64
-------------------
1    0.569733
2    0.494048
3    0.984490
dtype: float64 0.8159181513741175
-------------------
a    0.719097
b    0.993512
c    0.110926
dtype: float64 0.11092592872359519
-------------------
a    0.719097
b    0.993512
c    0.110926
d    0.186139
dtype: float64
a    0.719097
c    0.110926
e    0.175417
dtype: float64

通过布尔型索引

s = pd.Series(np.random.rand(3)*100)
s[4] = None # 添加一个空值

print(s)

bs1 = s > 50
bs2 =s.isnull()
bs3 = s.notnull()

print('-----------------')
print(bs1,type(bs1),bs1.dtype)
print('-----------------')
print(bs2,type(bs2),bs2.dtype)
print('-----------------')
print(bs3,type(bs3),bs3.dtype)
# 数组做判断之后，返回的是一个由布尔值组成的新的数组
# .isnull()/.notnull() 判断是否为空值（None为空值，NaN代表有问题的数值，都会识别为空值）
print('-----------------')

print(s[s>50])
print('-----------------')
print(s[bs3])
# 布尔型索引方法：用[判断条件]表示，其中判断条件可以是一个语句，或一个布尔型数组

结果如下：
0    58.6051
1    11.7526
2    60.0929
4       None
dtype: object
-----------------
0     True
1    False
2     True
4    False
dtype: bool <class 'pandas.core.series.Series'> bool
-----------------
0    False
1    False
2    False
4     True
dtype: bool <class 'pandas.core.series.Series'> bool
-----------------
0     True
1     True
2     True
4    False
dtype: bool <class 'pandas.core.series.Series'> bool
-----------------
0    58.6051
2    60.0929
dtype: object
-----------------
0    58.6051
1    11.7526
2    60.0929
dtype: object