【Python】数据分析.pandas.序列（Series）

文章目录

​​数据分析.pandas.数据结构介绍​​

​​pandas介绍​​​​序列（Series）​​

​​一、序列的创建​​​​二、序列重新指定索引​​​​三、序列的切片、索引操作​​​​四、序列的拆解（键、值）​​​​五、序列的算数运算​​

数据分析.pandas.数据结构介绍

pandas介绍

pandas是建立在numpy基础上的高级数据分析处理库，也是Python的重要数据分析处理库。pandas提供了众多的高级函数，极大地简化了数据分析处理的流程。主要包括：

带有标签的数据结构，主要包括序列（series）和数据框（dataframe）等允许简单索引和多级索引整合了对数据集的集合和转换功能生成特定类型的数据支持从Excel、CSV等文本格式中导入数据，以pytables/HDF5格式高效地读写数据能够高效的处理带有默认值的数据集能够进行常规的统计回归分析

序列（Series）

序列是可以容纳证书、浮点数、字符串等数据类型的一位带标签的数组（标签也被称为是索引）。

一、序列的创建

import stringimport pandas as pd#创建序列t1 = pd.Series([15,46,19,24,33])print(t1)#索引 数据# 0 15# 1 46# 2 19# 3 24# 4 33# dtype: int64# t = pd.Series([15,46,19,24,33],index=["a","b","c","d","e"])t2 = pd.Series([15,46,19,24,33],index=list("abcde"))print(t2)# a 15# b 46# c 19# d 24# e 33# dtype: int64#以字典形式创建（键-值）temp_dict = {"name":"小明","age":20,"tel":10086}t3 = pd.Series(temp_dict)print(t3)# name 小明# age 20# tel 10086# dtype: objectt4 = {string.ascii_uppercase[i]:i for i in range(5)}print(t4)# {'A': 0, 'B': 1, 'C': 2, 'D': 3, 'E': 4}print(pd.Series(t4))# A 0# B 1# C 2# D 3# E 4# dtype: int64

​​返回顶部​​

二、序列重新指定索引

t4 = {string.ascii_uppercase[i]:i for i in range(5)}print(t4)# {'A': 0, 'B': 1, 'C': 2, 'D': 3, 'E': 4}print(pd.Series(t4))# A 0# B 1# C 2# D 3# E 4# dtype: int64#当重新指定索引时，新的索引不能与旧索引对应的数据为nant5 = pd.Series(t4,index=list(string.ascii_uppercase[3:8]))print(t5)# D 3.0# E 4.0# F NaN# G NaN# H NaN# dtype: float64

当重新指定索引时，新的索引不能与旧索引对应的数据为nan。​​t5 = pd.Series(t4,index=list(string.ascii_uppercase[3:8]))​​t5是在t4的基础上重新指定索引，[3:8]指按照字典创建方式索引从第4个开始第7个结束，所以就是从D到H，但是原来索引只到E，对于新的索引没有值与之对应，就为nan。

​​返回顶部​​

三、序列的切片、索引操作

#创建序列t1 = pd.Series([15,46,19,24,33])print(t1)#索引 数据# 0 15# 1 46# 2 19# 3 24# 4 33# dtype: int64t3 = pd.Series(temp_dict)print(t3)# name 小明# age 20# tel 10086# dtype: objectprint(pd.Series(t4))# A 0# B 1# C 2# D 3# E 4# dtype: int64print(t5)# D 3.0# E 4.0# F NaN# G NaN# H NaN# dtype: float64#切片、索引操作print(t4["A"])# 0print(t3[["name","age"]])# name 小明# age 20# dtype: objectprint(t3[1])# 20print(t5[["D","E","F"]])# D 3.0# E 4.0# F NaN# dtype: float64print(t1[t1>20])# 1 46# 3 24# 4 33# dtype: int64

​​返回顶部​​

四、序列的拆解（键、值）

Series本质上是由两个数组构成的，一个数组是构成对象的键（index，索引），一个数组是构成对象的值（values），键与值配对出现。

#创建序列t1 = pd.Series([15,46,19,24,33])print(t1)#索引 数据# 0 15# 1 46# 2 19# 3 24# 4 33# dtype: int64#取出序列的索引和值print(t1.index)# RangeIndex(start=0, stop=5, step=1)print(t1.values)# [15 46 19 24 33]

​​返回顶部​​

五、序列的算数运算

数列和数组的一个重要不同点是：不同的序列进行运算时，相同位置会自动对齐，并进行运算。当两个序列进行运算时，如果不是公共的索引，则在运算结果中自动标记为nan。

#序列的运算s = pd.Series(np.arange(5),index=['a','b','c','d','e'])print(s)# a 0# # b 1# # c 2# # d 3# # e 4# # dtype: int32S = s[1:]+s[3:]print(S)# b NaN# c NaN# d 6.0# e 8.0# dtype: float64

​​s[1:] ---> b到e​​​​s[3:] ---> d到e​​

由上面的案例可以看出，序列的运算是在交集间进行的，且是具有相同索引的值进行运算。

​​返回顶部​​

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。