目录
- Series类型
- Series的三种创建方式
- 通过数组创建Series
- 创建指定索引列的Series
- 使用字典创建
- 标量创建Series对象
- Series的常见操作
- Series的值访问
- 访问整个series
- 获取索引列
- 设置名称
- Series数据编辑
- Series数据删除
- drop方法
- pop方法
- del方法
- Series数据添加
- append方法
pandas中包含了DataFrame和Series数据类型,分别表示二维数据结构和一维数据结构。
简单的可以理解为Series为excel表的某一行或者列，DataFrame是多行多列的区域。
Series类型
- 当我们说excel中某一个列段的数据时（单独的一列), 说第几个数据，我们一般会说，是第几行的数据，那么，可见虽然它是一个一维的数据，但是还有索引的。
- Series数据的默认索引为0,1,2,3,4,5…，也称位置索引或隐式索引。自定义索引后，称为标签索引，可以用位置索引和标签访问Series。
Series的三种创建方式
通过数组创建Series
import pandas as pd import numpy as np s1 = pd.Series([1,2,3,'tom',True]) s2 = pd.Series(range(0, 10, 1)) print(s1) print(s2) print(type(s1), type(s2))
创建指定索引列的Series
索引为数组
s1 = pd.Series([1,2], index=["a", "b"])
s2 = pd.Series(range(10,15,1), index=list('ngjur'))
s3 = pd.Series(range(100,110,2), index=range(4,9,1))
print(s1)
print(s2)
print(s3)
print(s1["a"], s1[1]) #位置索引从0开始
print(s2["r"], s2[-2]) #位置索引从0开始，可以用和列表同样的索引访问方式，-1表示最后一个元素
print(s3[4]) #当定义的索引为数字时,会覆盖之前位置索引的方式，也就是说s3[0]到s3[3],s3[-1]将不能再访问。
a 1
b 2
dtype: int64
n 10
g 11
j 12
u 13
r 14
dtype: int64
4 100
5 102
6 104
7 106
8 108
dtype: int64
1 2
14 13
100
使用字典创建
key为标签索引，value为series的每个元素的值
s1 = pd.Series({'tom':'001', 'jack':'002'})
print(s1)
tom 001
jack 002
dtype: object
标量创建Series对象
如果data是标量值，则必须提供索引
s1 = pd.Series(5, [0, 1, 2, "a"]) print(s1[[1, "a"]])
1 5
a 5
dtype: int64
Series的常见操作
Series的值访问
series_name[],[]内可以为单个位置索引或者标签索引，也可以为位置切片或者标签切片，也可以为位置索引列表或者标签索引列表
s1 = pd.Series({'tom':'001', 'jack':'002', "Jim":"003"})
s2 = s1[["tom", "jack"]] #使用标签索引列表
s3 = s1[0:3] # 使用位置切片
s4 = s1["tom":"Jim"] #使用标签切片
s5 = s1[[0,1]]
print("s1-----\n", s1["tom"], type(s1[1]))
print("s2-----\n", s2, type(s2)) #使用标签索引列表
print("s3-----\n", s3, type(s3)) #使用位置切片
print("s4-----\n", s4, type(s4)) #使用标签切片
print("s5-----\n", s5, type(s5)) #使用位置索引列表
s1—–
001 <class 'str'>
s2—–
tom 001
jack 002
dtype: object <class 'pandas.core.series.Series'>
s3—–
tom 001
jack 002
Jim 003
dtype: object <class 'pandas.core.series.Series'>
s4—–
tom 001
jack 002
Jim 003
dtype: object <class 'pandas.core.series.Series'>
s5—–
tom 001
jack 002
dtype: object <class 'pandas.core.series.Series'>
访问整个series
- series_name.values属性
- 返回numpy.ndarray类型
s1 = pd.Series({'tom':'001', 'jack':'002', "Jim":"003"})
s2 = s1.values
print("s2-----\n", s2, type(s2))
s3 = pd.Series({'tom':90, 'jack':40, "Jim":100})
s2—–
['001' '002' '003'] <class 'numpy.ndarray'>
s2—–
[ 90 40 100] <class 'numpy.ndarray'>
获取索引列
series_name.index
s1 = pd.Series(['tom', 'jack', "Jim"], [90, 100, 60])
print("s1-----\n", s1, type(s1))
s1_index = s1.index
print("s1_index-----\n", s1_index, type(s1_index))
print("s1_name:", s1.name)
s1—–
90 tom
100 jack
60 Jim
dtype: object <class 'pandas.core.series.Series'>
s1_index—–
Int64Index([90, 100, 60], dtype='int64') <class 'pandas.core.indexes.numeric.Int64Index'>
s1_name—– None
设置名称
如果 Series 用于生成 DataFrame，则 Series 的名称将成为其索引或列名称
s1 = pd.Series(np.arange(5), name='ABC',index=['a','b','c','d','e']) print(s1)
a 0
b 1
c 2
d 3
e 4
Name: ABC, dtype: int32
Series数据编辑
Series数据删除
使用series_name.drop()，指明index，可以为标签索引，或者多个标签索引多个组成的列表，不能为位置索引，或者切片
Series数据删除
drop方法
s1 = pd.Series(np.arange(5), name='A',index=['a','b','c','d','e'])
print(s1)
# 单个值删除，指明标签索引
s1.drop('c',inplace=False) #inplace为False不改变原s1的内容
print("删除单个值，不改变s1:\n",s1)
# 多个值删除，指明标签索引列表
s1.drop(['c','e'],inplace=False)
a 0
b 1
c 2
d 3
e 4
Name: A, dtype: int32
删除单个值，不改变s1:
a 0
b 1
c 2
d 3
e 4
Name: A, dtype: int32a 0
b 1
d 3
Name: A, dtype: int32
# multiindex值的删除
midx = pd.MultiIndex(levels=[['lama', 'cow', 'falcon'],
['speed', 'weight', 'length']],
codes=[[0, 0, 0, 1, 1, 1, 2, 2, 2],
[0, 1, 2, 0, 1, 2, 0, 1, 2]])
s1 = pd.Series([45, 200, 1.2, 30, 250, 1.5, 320, 1, 0.3],
index=midx)
print(s1)
s1.drop(labels='weight', level=1)
lama speed 45.0
weight 200.0
length 1.2
cow speed 30.0
weight 250.0
length 1.5
falcon speed 320.0
weight 1.0
length 0.3
dtype: float64lama speed 45.0
length 1.2
cow speed 30.0
length 1.5
falcon speed 320.0
length 0.3
dtype: float64
pop方法
pop(x), 指定要pop的标签索引
s1 = pd.Series([1, 2, 3], index=["a", "b", "c"])
s1.pop("a")
print(s1)
b 2
c 3
dtype: int64
del方法
del s1[x], 指定要删除的吗标签索引 s1 = pd.Series([1, 2, 3], index=["a", "b", "c"]) del s1["a"] print(s1)
b 2
c 3
dtype: int64
Series数据添加
类似于字典中元素的添加方式
s1 = pd.Series([1, 2, 3], index=["a", "b", "c"]) s1["d"] = 4 print(s1)
a 1
b 2
c 3
d 4
dtype: int64
append方法
- Pandas Series.append()函数用于连接两个或多个系列对象, 原对象并不改变, 这个和列表不同。
- Series.append(to_append, ignore_index=False, verify_integrity=False)
- to_append: 系列或系列列表/元组
- ignore_indexd: 如果为True，则不要使用索引标签果为True，则在创建具有重复项的索引时引发异常
s1 =pd.Series(["北京", "上海", "台湾", "香港"])
index_list =["a", "b", "c", "d"]
s1.index = index_list
print("s1-----------\n", s1)
s2 = pd.Series({"e": "广州", "f": "深圳"})
print("s2-----------\n", s2)
s3 = s1.append(s2)
print("s3-----------\n", s3)
print(s1)
s4 = s1.append(s2, ignore_index=True)
print("s4-----------\n", s4)
s1———–
a 北京
b 上海
c 台湾
d 香港
dtype: object
s2———–
e 广州
f 深圳
dtype: object
s3———–
a 北京
b 上海
c 台湾
d 香港
e 广州
f 深圳
dtype: object
a 北京
b 上海
c 台湾
d 香港
dtype: object
s4———–
0 北京
1 上海
2 台湾
3 香港
4 广州
5 深圳
dtype: object
评论(0)