Pandas 学习 第2篇：pandas 的 Series

标签：包含   href   app   创建序列   必须   递增   value   学习   tab   

pandas是基于NumPy构建的模块，含有使数据分析更快更简单的操作工具和数据结构，最常用的数据结构是：序列Series和数据框DataFrame。

序列是具有单一类型的一维数组，表示多行一列的数据结构，由于一列中的元素必须是相同的，因此，序列中的数据具有相同的数据类型；行具有索引和行标签属性，每行都有一个索引和行标签。而DataFrame类似于二维的关系表，每列的数据类型是相同的。

一，pandas的数据类型

用dtype属性来显示元素的数据类型，pandas主要有以下几种dtype：

• object：表示字符串类型
• int：表示整数类型
• float：表示浮点数类型
• datetime：表示时间类型
• bool：表示布尔类型
• category：分类

二，创建序列

序列(Series)是由一组有序的数据以及与之相关的索引组成，能够保存任何类型的数据(整数，字符串，浮点数，Python对象等)的一维标记数组。轴标签和下标统称为索引，可以通过索引来访问Series对象中的元素。

序列的构造函数定义是：

pandas.Series( data, index, dtype, copy)

构造函数的参数：

• data：数据可以是ndarray、list或字典
• index：设置索引标签，索引标签必须是唯一的，与数据的长度相同；如果没有传递索引标签，那么默认值是 np.arange(n)
• dtype：用于数据类型，如果没有设置，那么将推断数据类型
• copy：复制数据，默认值是false

索引的下标是自动生成的，从0开始，加1递增。

1，创建空的序列

s=pd.Series()

2，使用ndarray创建序列

创建ndarray的一维数组，构造序列，序列包含两部分：索引和序列值，如下所示

>>> import pandas as pd
>>> import numpy as np
>>> data=np.array([‘a‘,‘b‘])
>>> pd.Series(data)
0    a
1    b
dtype: object
>>> 

这里没有传递任何索引，默认情况下，pandas分配了从 0 到  len(data)-1  的索引。也可以在构造函数中传递自定义的索引列表，如下所示：

>>> pd.Series(data,index=[101,102])
101    a
102    b
dtype: object

3，从列表构造序列

仅使用一组数据就可以产生最简单的Series，此时索引是从0依次递增的整数：

s=pd.Series([4,7,-5,3])

可以通过Series对象的values和index属性查看序列的值和索引：

s.values
## array([4,7,-5,3])
s.index
## Int64Index([0,1,2,3])

也可以使用自定义的列表来创建序列：

s=pd.Series([4,7,-5,3],index=[‘d‘,‘b‘,‘a‘,‘c‘])

4，从字典构造序列

可以直接通过字典来创建Series，其中，字典的key作为序列的索引，字典的value作为序列值：

>>> sdata = {‘b‘: 12, ‘a‘: 13, ‘d‘: 14, ‘c‘: 10}
>>> sd=pd.Series(sdata)
b    12
a    13
d    14
c    10
dtype: int64

三，访问序列的元素

序列元素的访问，可以通过索引，下标，索引是在构造函数中通过index参数传递或构造的，而下标是默认生成的，第一个元素的下标值是0，依次加1递增。

1，通过下标来访问序列

下表从0开始，依次加1递增，访问序列的第一个元素：

>>> sd[0]
12

访问序列的前三个元素，下表为负，表示从方向来访问：

sd[:3]
sd[-3:]

2，通过索引标签来访问序列的元素

通过索引来访问序列的元素，并可以修改序列元素的值

sd[‘a‘]=4

也可以传递多个索引标签：

>>> sd[[‘a‘,‘b‘]]
a    13
b    12

四，序列的属性

序列对象包含的属性：

• array：把序列转换为数组
• dtype：序列元素的数据类型
• hasnan：序列是否包含nan
• axes：序列的轴标签
• index：序列的索引标签
• values：序列的值属性
• is_unique：序列的元素是否是唯一的
• size：序列的元素数量
• shape：序列的形状，表示各个维度的数量
• ndim：维度的数量

序列对象还能通过属性来访问序列的元素值。

1，at和iat属性，用于访问单个序列元素值

at属性表示的是索引标签和元素值对，通过索引标签访问单个序列值

>>> sd.at[‘a‘]
13

iat属性表示的下表和元素值对，通过下表访问序列的单个元素值：

>>> sd.iat[1]
13

2，loc和iloc，通过序列的位置来访问元素

iloc：纯粹基于整数位置的索引，用于按位置选择序列元素

• 单个位置索引，比如sd.iloc[1]
• 位置索引的列表，比如 sd.iloc[[0,1]]
• 整数序列，比如，sd.iloc[0:2]
• 布尔值数组，sd.iloc[[True, False, True, False]]

loc：通过索引标签和布尔值数组来选择序列的元素

举个例子，通过整数序列来选择序列的元素：

>>> sd.iloc[0:2]
b    12
a    13

举个例子，通过索引的标签来选择序列的元素：

>>> sd.loc[[‘a‘,‘b‘]]
a    13
b    12
dtype: int64

3，ix属性

ix属性是最首要的标签-位置的索引器，具有整数位置的回退，注意，不推荐使用ix索引器。

• .ix []支持基于整数和标签混合的访问，它主要基于标签，但将回退到整数位置访问，除非相应的轴是整数类型。
• .ix是最常用的索引器，它将支持.loc和.iloc中的任何输入。
• 但是，当轴基于整数时，仅支持基于标签的访问而非位置访问。 因此，在这种情况下，通常最好是明确的并使用.iloc或.loc。

举个例子，ix索引器既支持整数，也支持标签的访问。

>>> sd.ix[1]
>>> sd.ix[‘a‘]

五，序列的函数

通过序列对象直接调用函数对数据进行处理

1，聚合

调用函数对序列的元素进行聚合

agg(self, func[, axis])
aggregate(self, func[, axis])

2，对序列元素调用函数

apply(self, func[, convert_dtype, args])

参考文档：

pandas Series

Pandas 学习 第2篇：pandas 的 Series

标签：包含   href   app   创建序列   必须   递增   value   学习   tab   

原文地址：https://www.cnblogs.com/ljhdo/p/11514685.html