Series （带有标签的一维数组）
一、Series的创建方法
[注]import numpy as np import pandas as pd 都省略了。
1、通过字典创建
dic = {'a':1,'b':2,'c':3,'1':'hello','2':'python','3':[1,2]}
s = pd.Series(dic)
print(s,type(s))
#运行结果
1 hello
2 python
3 [1, 2]
a 1
b 2
c 3
dtype: object <class 'pandas.core.series.Series'>
2、通过数组（ndarray)创建
参数index：是Series的标签
参数name: 是Series的名称，没有的话默认为None。可以用rename()来更改，更改后生成新的Series，不改变原来的Series
s = pd.Series(np.random.rand(5),index = list('abcde'),name = 'test') print(s,type(s)) #运行结果 a 0.384840 b 0.202776 c 0.646176 d 0.215777 e 0.605895 Name: test, dtype: float64 <class 'pandas.core.series.Series'> #rename()的用法 s1 = s.rename('excel') print(s1) #运行结果 a 0.499740 b 0.943519 c 0.643355 d 0.591372 e 0.418790 Name: excel, dtype: float64
3、通过标量创建（必须声明index值）
s = pd.Series(5,index = range(5)) print(s) #运行结果 0 5 1 5 2 5 3 5 4 5 dtype: int64
二、Series的索引
1、位置下标索引
s = pd.Series(np.random.rand(5)) print(s,'\n') print(s[2],type(s[2]),s[2].dtype) #运行结果 0 0.961192 1 0.394670 2 0.948766 3 0.658049 4 0.214219 dtype: float64 0.948766189751 <class 'numpy.float64'> float64
2、标签（index）索引
当有多个标签要索引的话，要多加个[ ]
s = pd.Series(np.random.rand(5),index = list('abcde')) print(s,'\n') print(s['a'],'\n') print(s[['a','b']]) #运行结果 a 0.593557 b 0.991561 c 0.611022 d 0.603023 e 0.518528 dtype: float64 0.593556973009 a 0.593557 b 0.991561 dtype: float64
3、切片索引
s1 = pd.Series(np.random.rand(5),list('abcde')) print(s1,'\n') print(s1['a':'b'],'\n') #用index做索引的话是末端包含的 print(s1[1:2],'\n') #用下标做切片索引的话和list切片是一样的，不包含末端 #运行结果 a 0.973470 b 0.192143 c 0.805640 d 0.623555 e 0.040572 dtype: float64 a 0.973470 b 0.192143 dtype: float64 b 0.192143 dtype: float64
4、布尔型索引
布尔型索引判断，生成的是一个由布尔型组成的新的Series。
.isnull()和.notnull() 判断是否是空值，其中None表示空值，NaN表示有问题的值，两个都会被判断为空值。
s = pd.Series(np.random.rand(2)*100) s[3] = None # 添加一个空值 print(s,'\n') bs1 = s > 50 bs2 = s.isnull() bs3 = s.notnull() print(bs1,bs2,bs3,'\n') print(s[s > 50]) #运行结果 0 71.1548 1 53.9334 3 None dtype: object 0 True 1 True 3 False dtype: bool 0 False 1 False 3 True dtype: bool 0 True 1 True 3 False dtype: bool 0 71.1548 1 53.9334 dtype: object
二、Series 的基本操作用法
1、增添（第一，直接下标索引或index添加；第二，通过append()添加，生成新的Series）
s = pd.Series(np.random.rand(2)) s[3]= 100 #用index增添 s['a'] = 200 print(s,'\n') #运行结果 0 0.646847 1 0.224802 3 100.000000 a 200.000000 dtype: float64 s2 = pd.Series(np.random.rand(2),index = ['value1','value2']) s3 = s.append(s2) #用append()增添 print(s3) #运行结果 0 0.646847 1 0.224802 3 100.000000 a 200.000000 value1 0.225087 value2 0.504572 dtype: float64
2、删除(第一，用del删除；第二，用.drop()删除，会生成新的Series)
s = pd.Series(np.random.rand(5),index = list('abcde')) del s['a'] #用del删除 print(s,'\n') #运行结果 b 0.036584 c 0.319169 d 0.267866 e 0.855804 dtype: float64 s1 = s.drop(['c','d']) #用.drop()删除，删除多个要加[] print(s1) #运行结果 b 0.036584 e 0.855804 dtype: float64
3、修改（通过索引直接修改）
s = pd.Series(np.random.rand(5),index = list('abcde')) print(s,'\n') s[1] = 100 print(s,'\n') s[['c','d']] = 200 print(s) #运行结果 a 0.900485 b 0.955717 c 0.270206 d 0.186294 e 0.503710 dtype: float64 a 0.900485 b 100.000000 c 0.270206 d 0.186294 e 0.503710 dtype: float64 a 0.900485 b 100.000000 c 200.000000 d 200.000000 e 0.503710 dtype: float64
4、数据查看
.head()方法是查看前几行的数据，默认是5行
.tail()方法是查看后几行的数据，默认也是5行
s = pd.Series(np.random.rand(10)) print(s.head(2),'\n') print(s.tail()) #运行结果 0 0.301042 1 0.344857 dtype: float64 5 0.461262 6 0.337744 7 0.215328 8 0.735952 9 0.066285 dtype: float64
5、重新索引
.reindex(新的标签,fill_value = )会根据更改后的标签重新排序，若添加了原标签中没有的新标签，则默认填入NaN，参数fill_value指对新出现的标签填入的值。
s = pd.Series(np.random.rand(3), index = ['a','b','c']) s1 = s.reindex(['c','b','a','A'],fill_value = 100) print(s1) #运行结果 c 0.223246 b 0.484170 a 0.844028 A 100.000000 dtype: float64
6、对齐
s1 = pd.Series(np.random.rand(3), index = ['a','b','c']) s2 = pd.Series(np.random.rand(3), index =['a','c','A']) print(s1,'\n') print(s2,'\n') print(s1+s2) #运行结果 a 0.168003 b 0.785439 c 0.218607 dtype: float64 a 0.860634 c 0.233973 A 0.691131 dtype: float64 A NaN a 1.028637 b NaN c 0.452580 dtype: float64
空值和任何值相加都会返回空值。