pandas數據類型之Series的具體使用
pandas中包含瞭DataFrame和Series數據類型,分別表示二維數據結構和一維數據結構。
簡單的可以理解為Series為excel表的某一行或者列,DataFrame是多行多列的區域。
Series類型
- 當我們說excel中某一個列段的數據時(單獨的一列), 說第幾個數據,我們一般會說,是第幾行的數據,那麼,可見雖然它是一個一維的數據,但是還有索引的。
- Series數據的默認索引為0,1,2,3,4,5…,也稱位置索引或隱式索引。自定義索引後,稱為標簽索引,可以用位置索引和標簽訪問Series。
Series的三種創建方式
通過數組創建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))
創建指定索引列的Series
索引為數組
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]) #位置索引從0開始 print(s2["r"], s2[-2]) #位置索引從0開始,可以用和列表同樣的索引訪問方式,-1表示最後一個元素 print(s3[4]) #當定義的索引為數字時,會覆蓋之前位置索引的方式,也就是說s3[0]到s3[3],s3[-1]將不能再訪問。
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
使用字典創建
key為標簽索引,value為series的每個元素的值
s1 = pd.Series({'tom':'001', 'jack':'002'}) print(s1)
tom 001
jack 002
dtype: object
標量創建Series對象
如果data是標量值,則必須提供索引
s1 = pd.Series(5, [0, 1, 2, "a"]) print(s1[[1, "a"]])
1 5
a 5
dtype: int64
Series的常見操作
Series的值訪問
series_name[],[]內可以為單個位置索引或者標簽索引,也可以為位置切片或者標簽切片,也可以為位置索引列表或者標簽索引列表
s1 = pd.Series({'tom':'001', 'jack':'002', "Jim":"003"}) s2 = s1[["tom", "jack"]] #使用標簽索引列表 s3 = s1[0:3] # 使用位置切片 s4 = s1["tom":"Jim"] #使用標簽切片 s5 = s1[[0,1]] print("s1-----\n", s1["tom"], type(s1[1])) print("s2-----\n", s2, type(s2)) #使用標簽索引列表 print("s3-----\n", s3, type(s3)) #使用位置切片 print("s4-----\n", s4, type(s4)) #使用標簽切片 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'>
訪問整個series
- series_name.values屬性
- 返回numpy.ndarray類型
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'>
獲取索引列
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
設置名稱
如果 Series 用於生成 DataFrame,則 Series 的名稱將成為其索引或列名稱
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數據編輯
Series數據刪除
使用series_name.drop(),指明index,可以為標簽索引,或者多個標簽索引多個組成的列表,不能為位置索引,或者切片
Series數據刪除
drop方法
s1 = pd.Series(np.arange(5), name='A',index=['a','b','c','d','e']) print(s1) # 單個值刪除,指明標簽索引 s1.drop('c',inplace=False) #inplace為False不改變原s1的內容 print("刪除單個值,不改變s1:\n",s1) # 多個值刪除,指明標簽索引列表 s1.drop(['c','e'],inplace=False)
a 0
b 1
c 2
d 3
e 4
Name: A, dtype: int32
刪除單個值,不改變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值的刪除 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的標簽索引
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], 指定要刪除的嗎標簽索引 s1 = pd.Series([1, 2, 3], index=["a", "b", "c"]) del s1["a"] print(s1)
b 2
c 3
dtype: int64
Series數據添加
類似於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()函數用於連接兩個或多個系列對象, 原對象並不改變, 這個和列表不同。
- Series.append(to_append, ignore_index=False, verify_integrity=False)
- to_append: 系列或系列列表/元組
- ignore_indexd: 如果為True,則不要使用索引標簽果為True,則在創建具有重復項的索引時引發異常
s1 =pd.Series(["北京", "上海", "臺灣", "香港"]) index_list =["a", "b", "c", "d"] s1.index = index_list print("s1-----------\n", s1) s2 = pd.Series({"e": "廣州", "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 臺灣
d 香港
dtype: object
s2———–
e 廣州
f 深圳
dtype: object
s3———–
a 北京
b 上海
c 臺灣
d 香港
e 廣州
f 深圳
dtype: object
a 北京
b 上海
c 臺灣
d 香港
dtype: object
s4———–
0 北京
1 上海
2 臺灣
3 香港
4 廣州
5 深圳
dtype: object
到此這篇關於pandas數據類型之Series的具體使用的文章就介紹到這瞭,更多相關pandas Series內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- pandas的Series類型與基本操作詳解
- python-pandas創建Series數據類型的操作
- Python數據分析 Pandas Series對象操作
- Pandas中Series的屬性,方法,常用操作使用案例
- python Pandas時序數據處理