Pandas数据结构中Series属性详解

目录
  • Series属性
    • Series属性列表
    • Series属性详解

Series属性

Series属性列表

属性 说明
Series.index 系列的索引（轴标签）
Series.array 系列或索引的数据
Series.values 系列的数据，返回ndarray
Series.dtype 返回基础数据的数据类型
Series.shape 返回基础数据形状的元组
Series.nbytes 返回基础数据占的字节数
Series.ndim 基础数据的维数，永远是1
Series.size 返回基础数据中元素的个数
Series.T 返回转置，永远为Series自己
Series.memory_usage([index, deep]) 返回系列的内存使用情况
Series.hasnans 如果有任何 NaN，则返回 True
Series.empty 指示 Series是否为空
Series.dtypes 返回基础数据的数据类型
Series.name 返回系列的名称
Series.flags 获取与此 pandas 对象关联的属性
Series.set_flags(*[,copy,…]) 返回带有更新标志的新对象

Series属性详解

由于Series是一个可以自定义行索引的一维数据，所以Series的属性大部分都是ndarray的属性，在ndarray属性的基础上有了新的扩展，其中比较重要的是index，values等。详细介绍示例如下：（建议看不懂说明的可以直接看示例，示例更容易懂）

>>> import numpy as np
>>> import pandas as pd
# 创建ser01
>>> arr01 = np.arange(10, 16)
>>> ser01 = pd.Series(data=arr01, index=['a','b','c','d','e','f'], dtype='int16', name='class02')
>>> ser01
a    10
b    11
c    12
d    13
e    14
f    15
Name: class02, dtype: int16

属性:

Series.index

>>> ser01.index # 索引
Index(['a', 'b', 'c', 'd', 'e', 'f'], dtype='object')

Series.array

>>> ser01.array # 数组
<PandasArray> # 返回的数据类型为PandasArray
[10, 11, 12, 13, 14, 15]
Length: 6, dtype: int16

Series.values

>>> ser01.values # 数据
array([10, 11, 12, 13, 14, 15], dtype=int16) # 返回值为ndarray

Series.dtype

>>> ser01.dtype # 元素的数据类型
dtype('int16')

Series.shape

>>> ser01.shape # 形状
(6,)

Series.nbytes

>>> ser01.nbytes # 占用多少字节
12

Series.ndim

>>> ser01.ndim # 维度，维数，轴数，秩
1 # 永远是1，Series是一维数组

Series.T

>>> ser01.T # 转置，是它本身
a    10
b    11
c    12
d    13
e    14
f    15
Name: class02, dtype: int16

Series.memory_usage([index, deep])

>>> ser01.memory_usage() # 内存使用量
232

Series.hasnans

>>> ser01.hasnans # 是否有空值
False

Series.empty

>>> ser01.empty # 是否为空
False

Series.dtypes

>>> ser01.dtypes # 元素数据类型，同dtype
dtype('int16')

Series.name

>>> ser01.name # ser01的名字
'class02'

Series.flags

>>> ser01.flags # 此 pandas 对象关联的属性
<Flags(allows_duplicate_labels=True)>

Series.set_flags(*[,copy,…])

>>> ser01.set_flags() # 返回带有更新标志的新对象
a    10
b    11
c    12
d    13
e    14
f    15
Name: class02, dtype: int32

需要掌握属性的名称和意义，还有属性的返回值属于哪种数据类型，是一个什么值。在数据分析或者可视化中会使用Series属性的返回值作为其他函数的参数使用，因此必须熟练掌握。

到此这篇关于Pandas数据结构中Series属性详解的文章就介绍到这了,更多相关Pandas Series属性内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！

赞 (0)

相关推荐

  • 在python中pandas的series合并方法

    如下所示: In [3]: import pandas as pd In [4]: a = pd.Series([1,2,3]) In [5]: b = pd.Series([2,3,4]) In [6]: c = pd.DataFrame([a,b]) In [7]: c Out[7]: 0 1 2 0 1 2 3 1 2 3 4 不过pandas直接用列表生成dataframe只能按行生成,如果是字典可以按列生成,比如: In [8]: c = pd.DataFrame({'a':a,'b'

  • pandas把dataframe转成Series,改变列中值的类型方法

    使用 pd.Series把dataframe转成Series ts = pd.Series(df['Value'].values, index=df['Date']) 使用astype改变列中的值的类型,注意前面要有np df['列名'] = df['列名'].astype(np.int64) 以上这篇pandas把dataframe转成Series,改变列中值的类型方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们. 您可能感兴趣的文章: python panda

  • 对pandas中Series的map函数详解

    Series的map方法可以接受一个函数或含有映射关系的字典型对象. 使用map是一种实现元素级转换以及其他数据清理工作的便捷方式. (DataFrame中对应的是applymap()函数,当然DataFrame还有apply()函数) 1.字典映射 import pandas as pd from pandas import Series, DataFrame data = DataFrame({'food':['bacon','pulled pork','bacon','Pastrami',

  • 浅谈Pandas Series 和 Numpy array中的相同点

    相同点: 可以利用中括号获取元素 s[0] 可以的得到单个元素 或 一个元素切片 s[3,7] 可以遍历 for x in s 可以调用同样的函数获取最大最小值 s.mean()  s.max() 可以用向量运算 <1 + s> 和Numpy一样, Pandas Series 也是用C语言, 因此它比Python列表的运算更快 以上这篇浅谈Pandas Series 和 Numpy array中的相同点就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们.

  • python pandas 对series和dataframe的重置索引reindex方法

    reindex更多的不是修改pandas对象的索引,而只是修改索引的顺序,如果修改的索引不存在就会使用默认的None代替此行.且不会修改原数组,要修改需要使用赋值语句. series.reindex() import pandas as pd import numpy as np obj = pd.Series(range(4), index=['d', 'b', 'a', 'c']) print obj d 0 b 1 a 2 c 3 dtype: int64 print obj.reinde

  • Python3.5 Pandas模块之Series用法实例分析

    本文实例讲述了Python3.5 Pandas模块之Series用法.分享给大家供大家参考,具体如下: 1.Pandas模块引入与基本数据结构 2.Series的创建 #!/usr/bin/env python # -*- coding:utf-8 -*- # Author:ZhengzhengLiu #模块引入 import numpy as np import pandas as pd from pandas import Series,DataFrame #1.Series通过numpy一

  • python pandas中对Series数据进行轴向连接的实例

    有时候我们想要的数据合并结果是数据的轴向连接,在pandas中这可以通过concat来实现.操作的对象通常是Series. Ipython中的交互代码如下: In [17]: from pandas import Series,DataFrame In [18]: series1 = Series(range(2),index = ['a','b']) In [19]: series2 = Series(range(3),index = ['c','d','e']) In [20]: serie

  • pandas中的series数据类型详解

    本文介绍了pandas中的series数据类型详解,分享给大家,具体如下: import pandas as pd import numpy as np import names ''' 写在前面的话: 1.series与array类型的不同之处为series有索引,而另一个没有;series中的数据必须是一维的,而array类型不一定 2.可以把series看成一个定长的有序字典,可以通过shape,index,values等得到series的属性 ''' # 1.series的创建 '''

  • Pandas数据结构中Series属性详解

    目录 Series属性 Series属性列表 Series属性详解 Series属性 Series属性列表 属性 说明 Series.index 系列的索引(轴标签) Series.array 系列或索引的数据 Series.values 系列的数据,返回ndarray Series.dtype 返回基础数据的数据类型 Series.shape 返回基础数据形状的元组 Series.nbytes 返回基础数据占的字节数 Series.ndim 基础数据的维数,永远是1 Series.size 返

  • Python Pandas学习之数据离散化与合并详解

    Python Pandas学习之数据离散化与合并详解

    目录 1数据离散化 1.1为什么要离散化 1.2什么是数据的离散化 1.3举例股票的涨跌幅离散化 2数据合并 2.1pd.concat实现数据合并 2.2pd.merge 1 数据离散化 1.1 为什么要离散化 连续属性离散化的目的是为了简化数据结构,数据离散化技术可以用来减少给定连续属性值的个数.离散化方法经常作为数据挖掘的工具. 1.2 什么是数据的离散化 连续属性的离散化就是在连续属性的值域上,将值域划分为若干个离散的区间,最后用不同的符号或整数 值代表落在每个子区间中的属性值. 离散化有

  • Pandas实现数据拼接的操作方法详解

    Pandas实现数据拼接的操作方法详解

    目录 merge 操作 merge 拼接方式 merge 举例 join 操作 join 举例 concat 操作 concat 举例 append 举例 数据科学领域日常使用 Python 处理大规模数据集的时候经常需要使用到合并.链接的方式进行数据集的整合,其中应用的数据类型包括 Series 和 DataFrame,可以使用的方法也很多,比如本文中介绍的 .merge(). .join() 和 .concat() 三种方法,进行拼接处理后的数据集可以发挥最大的用途. merge 操作 .m

  • 对pandas中to_dict的用法详解

    简介:pandas 中的to_dict 可以对DataFrame类型的数据进行转换 可以选择六种的转换类型,分别对应于参数 'dict', 'list', 'series', 'split', 'records', 'index',下面逐一介绍每种的用法 Help on method to_dict in module pandas.core.frame: to_dict(orient='dict') method of pandas.core.frame.DataFrame instance

  • Pandas中GroupBy具体用法详解

    目录 简介 分割数据 多index get_group dropna groups属性 index的层级 group的遍历 聚合操作 通用聚合方法 同时使用多个聚合方法 NamedAgg 不同的列指定不同的聚合方法 转换操作 过滤操作 Apply操作 简介 pandas中的DF数据类型可以像数据库表格一样进行groupby操作.通常来说groupby操作可以分为三部分:分割数据,应用变换和和合并数据. 本文将会详细讲解Pandas中的groupby操作. 分割数据 分割数据的目的是将DF分割成为

  • python pandas.DataFrame.loc函数使用详解

    官方函数 DataFrame.loc Access a group of rows and columns by label(s) or a boolean array. .loc[] is primarily label based, but may also be used with a boolean array. # 可以使用label值,但是也可以使用布尔值 Allowed inputs are: # 可以接受单个的label,多个label的列表,多个label的切片 A singl

  • Pandas搭配lambda组合使用详解

    Pandas搭配lambda组合使用详解

    导入模块与读取数据 我们第一步需要导入模块以及数据集 import pandas as pd df = pd.read_csv("IMDB-Movie-Data.csv") df.head() 创建新的列 一般我们是通过在现有两列的基础上进行一些简单的数学运算来创建新的一列,例如 df['AvgRating'] = (df['Rating'] + df['Metascore']/10)/2 但是如果要新创建的列是经过相当复杂的计算得来的,那么lambda方法就很多必要被运用到了,我们先

  • Python Pandas学习之基本数据操作详解

    Python Pandas学习之基本数据操作详解

    目录 1索引操作 1.1直接使用行列索引(先列后行) 1.2结合loc或者iloc使用索引 1.3使用ix组合索引 2赋值操作 3排序 3.1DataFrame排序 3.2Series排序 为了更好的理解这些基本操作,下面会通过读取一个股票数据,来进行Pandas基本数据操作的语法介绍. # 读取文件(读取保存文件后面会专门进行讲解,这里先直接调用下api) data = pd.read_csv("./data/stock_day.csv")  # 读取当前目录下一个csv文件 # 删

  • Python数据可视化绘图实例详解

    Python数据可视化绘图实例详解

    目录 利用可视化探索图表 1.数据可视化与探索图 2.常见的图表实例 数据探索实战分享 1.2013年美国社区调查 2.波士顿房屋数据集 利用可视化探索图表 1.数据可视化与探索图 数据可视化是指用图形或表格的方式来呈现数据.图表能够清楚地呈现数据性质, 以及数据间或属性间的关系,可以轻易地让人看图释义.用户通过探索图(Exploratory Graph)可以了解数据的特性.寻找数据的趋势.降低数据的理解门槛. 2.常见的图表实例 本章主要采用 Pandas 的方式来画图,而不是使用 Matpl

随机推荐