pandas-Series

最新推荐文章于 2025-04-23 23:41:41 发布

cyoutomorrow

最新推荐文章于 2025-04-23 23:41:41 发布

阅读量283

点赞数

分类专栏： python

python 专栏收录该内容

3 篇文章

订阅专栏

本文介绍了Pandas库中的Series数据结构，包括如何创建、索引、选取数据等基本操作，并探讨了其与NumPy数组的区别及优势。此外还讨论了如何处理缺失数据以及Series的算术运算特性。

import pandas as pd

'''
Series
Series是一个一维的类似的数组对象，包含一个数组的数据（任何NumPy的数据类型）和一个与数组关联的数据标签（index）。
可以分别的通过它的 values 和 index 属性来获取Series的数组表示和索引对象：
'''

#obj=pd.Series([1,2,3,5,7,8])
#print (obj.values)
#print (obj.index) #-——>Index(start=0,stop=6,step=1)=0 1 2 3 4 5
#print obj

##自定义创建一个带索引的数据Series
#obj2=pd.Series([4, 7, -5, 3],index=['c','w','e','y'])
#print obj2

##与正规的NumPy数组相比，你可以使用索引里的值来选择一个单一值或一个值集.
##NumPy数组操作，例如通过一个布尔数组过滤，纯量乘法，或使用数学函数，将会保持索引和值间的关联.
##Series的索引可以通过赋值就地更改：
#print obj2['c'] #-->4
#print obj2[['w','c','e']]
#obj2.index=['boy','girl','woman','man']

#Series是一个定长的，有序的字典，因为它把索引和值映射起来了。
#可以通过传递字典创建一个Series：
sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
obj3 = pd.Series(sdata)

#数据丢失问题：
#pandas使用浮点值NaN表示浮点和非浮点数组里的缺失数据。
#pandas使用isnull()和notnull()函数来判断缺失情况。

#在许多应用中Series的一个重要功能是在算术运算中它会自动对齐不同索引的数据

#Series对象本身和它的索引都有一个 name 属性，它和pandas的其它一些关键功能整合在一起：
obj3.name='test'
obj3.index.name='acccc'
print obj3