您好,登录后才能下订单哦!
这篇文章给大家分享的是有关Pandas中Series怎么用的内容。小编觉得挺实用的,因此分享给大家做个参考,一起跟随小编过来看看吧。
Series是一种类似于一维数组的对象,是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据也可产生简单的Series对象
Series 总的来说就是带标签的一维数组,可存储整数、浮点数、字符串、Python对象等类型的数据。标签轴通常叫做索引。
用一维数组实例化Series时,索引长度必须与数组长度一致。没有指定索引时,Pandas会帮我们创建默认的数值型索引。
In [1]: s1 = pd.Series([1, 2, 3, 4]) Out[1]: 0 1 1 2 2 3 3 4 dtype: int64 In [2]: s2 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']) Out[2]: a 1 b 2 c 3 d 4 dtype: int64
注意: Pandas 是支持重复索引的。但我们也可以重置索引,具体操作方法在后续章节中会给出。
使用字典实例化Series时, 如果未传入索引,则索引的值为字典的key:
In [1]: pd.Series({'i': 0, 'j': 1, 'k': 2}) Out[1]: i 0 j 1 k 2 dtype: int64
使用标量值实例化时,必须提供索引。Series 按索引长度重复该标量值。
In [1]: pd.Series(6, index=[0, 1, 2]) Out[1]: 0 6 1 6 2 6 dtype: int64
在实例化Series时,可以传入name参数为Series添加name属性。同时,Seires也支持重命名:
In [1]: s = pd.Series(6, index=[0, 1, 2], name='six') Out[1]: 0 6 1 6 2 6 Name: six, dtype: int64 In [2]: s.name Out[2]: 'six' In [3]: s = s.rename('sixsixsix') In [4]: s.name Out[4]: 'sixsixsix'
Series提供了类似于Python列表的切片方式:
In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']) In[1]: s[0:2] #取下标为0和1的两个数据(不包括2,也就是从第一个开始取,取两个数据) Out[1]: a 1 b 2 dtype: int64 In[2]: s[:3] #取前三个数据 Out[2]: a 1 b 2 c 3 dtype: int64 In[3]: s[-2:] #取最后两个数据(也可以理解为从倒查第二个数据一直取到末尾) Out[3]: c 3 d 4 dtype: int64 In[4]: s[[0,2,3]] #取第1、3、4这个三个数据(注意下标是从0开始的,转换为位置时需+1) Out[4]: a 1 c 3 d 4 dtype: int64 #注意:如果输入的位置大于列表的长度则会报出“indexers are out-of-bounds”异常
Series可使用索引标签的值来提取值:
In [0]:s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']) In [1]: s['a'] #提取s中,标签为a的值 Out[1]: a 1 dtype: int64 In [1]: s[['a', 'b', 'c']] #提取s中,标签为a, b, c的值 Out[1]: a 1 b 2 c 3 dtype: int64
如果传入的索引标签的值不在Seires的轴索引中,那将会报 KeyError 异常,这里建议大家使用Series的 get 方法获取值,如果不存在,则会返回None,同时也可设置default参数,用于不存在时的默认返回值。
In [0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']) In [1]: s['f'] #提取s中,标签为f的值, f不存在,将会报出异常 Out[1]:KeyError In [2]:s.get('f') #提取s中,标签为f的值, 若f不存在,默认返回None Out[2]:None In [3]:s.get('f'. default=-1) #提取s中,标签为f的值, 若f不存在,返回-1 Out[3]:-1
In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']) In[1]: s[s < 2] #提取s中,小于2的值 Out[1]: a 1 b 2 dtype: int64 In[1]: s[s> s.mean()] #提取s中,大于平均数的值 Out[1]: c 3 d 4 dtype: int64 In[1]: s[s.between(1, 3, inclusive=False)] #提取s中,值介于1,3之间的数据(不包含1,3) Out[1]: b 2 dtype: int64
在提取区间数据时,如果想让两端的值包含其中(满足两端的值也被提取出来),只需要把 inclusive 参数的值赋为True
Series 不用循环也可以像操作单个数值一样快速进行数学运算:
In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']) In[1]: s + s Out[1]: a 2 b 4 c 6 d 8 dtype: int64 In[2]: s - 1 Out[2]: a 0 b 1 c 2 d 3 dtype: int64
Series 之间的操作会自动 基于标签 对齐数据. 如果一个Series中的标签在另一个Series中不存在,那么计算得到的结果将是NaN,即缺失值,有缺失值NaN的处理在后续章节也会讲到。因此,我们不用顾及执行操作的Series是否有相同的标签。 Pandas数据结构集成的数据对齐的功能,是Pandas区别于大多数标签型数据处理工具的重要特性。
In[0]: s1 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']) In[0]: s2 = pd.Series([3, 6, 11], index=['a', 'b', 'f']) In[1]: s1 + s2 Out[1]: a 4.0 b 8.0 c NaN d NaN f NaN dtype: float64
感谢各位的阅读!关于“Pandas中Series怎么用”这篇文章就分享到这里了,希望以上内容可以对大家有一定的帮助,让大家可以学到更多知识,如果觉得文章不错,可以把它分享出去让更多的人看到吧!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。