Python数据分析 Pandas Series对象操作

目录
  • 一、Pandas Series对象
    • Series数据结构
    • 创建Series对象
  • 二、Series对象的基本操作
    • Series 常用属性
    • Series 常用方法
    • Series 运算

一、Pandas Series对象

Pandas 是基于 NumPy 设计实现的 Python 数据分析库，Pandas 提供了大量的能让我们高效处理数据的函数和方法，也纳入了很多数据处理的库以及一些数据模型，可以说非常强大。

可以使用以下命令进行安装：

conda install pandas
# 或
pip install pandas

Series数据结构

Pandas 最常用的数据结构主要有两种：Series 和 DataFrame，这篇文章主要介绍一下Series及如何创建Series对象。

Series 是一维数组，由一列索引index和一列值values组成，索引和值是一一对应的，可以存储不同种类的数据类型，字符串、布尔值、数字、Python对象等都可以。

创建Series对象

创建Series对象的格式如下：

s = pd.Series(data, index)

参数data为数据，可以是字典、列表、Numpy的 ndarray 数组等；
参数index为索引，值必须唯一，类似于Python字典的键，可以不传，默认为从0开始递增的整数。

从列表创建：

data = ["a", "b", "c", "d", "e"]
s = pd.Series(data)
s

从字典创建：

当data为字典时，如果没有传入索引的话，会按照字典的键来构造索引，索引对应的值就是字典的键对应的值。

data = {"a": 1, "b": 2, "c": 3}
s = pd.Series(data)
s

结果输出如下：

a    1
b    2
c    3
dtype: int64

从 ndarray 数组创建：

ndarray 为Numpy 的数组类型，在Python数据分析 Numpy 的使用方法的文章已经介绍过。

data = np.array([1, 2, 3, 4])
s = pd.Series(data)
s

我们可以通过创建的Series对象，调用相应的属性和方法来进行数据的处理分析等。下面继续来看Series对象的基本操作

二、Series对象的基本操作

Series 常用属性

  • index：获取索引
  • values：获取数组
  • size：获取元素数量
  • dtype：获取对象的数据类型

获取索引及修改索引：

data = ["a", "b", "c", "d"]
s = pd.Series(data)
print(s.index)
s.index = ["A", "B", "C", "D"]
print(s.index)

结果输出如下：

RangeIndex(start=0, stop=4, step=1)
Index(['A', 'B', 'C', 'D'], dtype='object')

指定索引对应元素的获取、修改及删除：

Series 通过索引获取、修改及删除对应元素和Python字典的操作有些类似，具体使用方法如下：

# 获取数据
print(s["A"])
# 修改数据
s['A'] = 99
# 删除数据
s = s.drop("B")
s

另外，Series 也支持通过筛选条件获取数据，例如获取能被2整除的数据：

data = np.array([1, 2, 3, 4])
s = pd.Series(data)
s[s%2==0]

Series 切片：

Series 切片操作同Python列表的切面也是类似的，如下：

s[0:3]

表示取第0、1、2个数据。

也可以使用索引值来进行切片，例如获取索引值B-D的值：

s["B":"D"]
复制代码

Series 常用方法

  • head(n)：返回前n行数据，默认前5行
  • tail(n)：返回后n行数据，默认后5行
  • isnull()&nonull()：判断是否为空，返回True和False
  • sort_values()：排序，通过传递ascending参数来确定升序or降序，默认为True，表示升序
  • dropna()：删除空值

Series 运算

统计信息：

可以通过describe()方法获取统计信息，如下：

也可以通过如下方法分别获取：

  • min()：获取最小值
  • max()：获取最大值
  • mean()：获取均值
  • median()：获取中位数
  • sum()：获取总和
  • count()：获取总数
  • ······

四则运算：

s+2  # 对每个元素进行+2
s*100  # 对每个元素乘100

也可以调用如下方法进行：加法add()、减法sub()、乘法mul()、除法div()。

到此这篇关于Python数据分析之 Pandas Series对象的文章就介绍到这了,更多相关Pandas Series对象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'

  • 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

  • 使用python计算方差方式——pandas.series.std()

    目录 如何计算方差 Python计算方差.标准差 方差.标准差 1.方差 2.标准差 如何计算方差 简单展示一下pandas里怎么计算方差: 官方文档: def def_std(df):   for ix,row in df.iterrows():     std = row.std()     df.loc[ix,"std"] = std   return df Python计算方差.标准差 方差.标准差 1.离散程度的测度值之一 2.最常用的测度值 3.反应了数据的分布 4.反应了

  • python-pandas创建Series数据类型的操作

    python-pandas创建Series数据类型的操作

    1.什么是pandas 2.查看pandas版本信息 print(pd.__version__) 输出: 0.24.1 3.常见数据类型 常见的数据类型: - 一维: Series - 二维: DataFrame - 三维: Panel - - 四维: Panel4D - - N维: PanelND - 4.pandas创建Series数据类型对象 1). 通过列表创建Series对象 array = ["粉条", "粉丝", "粉带"] # 如

  • 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数据分析 Pandas Series对象操作

    Python数据分析 Pandas Series对象操作

    目录 一.Pandas Series对象 Series数据结构 创建Series对象 二.Series对象的基本操作 Series 常用属性 Series 常用方法 Series 运算 一.Pandas Series对象 Pandas 是基于 NumPy 设计实现的 Python 数据分析库,Pandas 提供了大量的能让我们高效处理数据的函数和方法,也纳入了很多数据处理的库以及一些数据模型,可以说非常强大. 可以使用以下命令进行安装: conda install pandas # 或 pip

  • Python数据分析Pandas Dataframe排序操作

    Python数据分析Pandas Dataframe排序操作

    目录 1.索引的排序 2.值的排序 前言: 数据的排序是比较常用的操作,DataFrame 的排序分为两种,一种是对索引进行排序,另一种是对值进行排序,接下来就分别介绍一下. 1.索引的排序 DataFrame 提供了sort_index()方法来进行索引的排序,通过axis参数指定对行索引排序还是对列索引排序,默认为0,表示对行索引排序,设置为1表示对列索引进行排序:ascending参数指定升序还是降序,默认为True表示升序,设置为False表示降序, 具体使用方法如下: 对行索引进行降序

  • Python数据分析pandas模块用法实例详解

    本文实例讲述了Python数据分析pandas模块用法.分享给大家供大家参考,具体如下: pandas pandas10分钟入门,可以查看官网:10 minutes to pandas 也可以查看更复杂的cookbook pandas是非常强大的数据分析包,pandas 是基于 Numpy 构建的含有更高级数据结构和工具的数据分析包.就好比 Numpy的核心是 ndarray,pandas 围绕着 Series 和 DataFrame 两个核心数据结构展开 .Series和DataFrame 分

  • Python使用Pandas库常见操作详解

    本文实例讲述了Python使用Pandas库常见操作.分享给大家供大家参考,具体如下: 1.概述 Pandas 是Python的核心数据分析支持库,提供了快速.灵活.明确的数据结构,旨在简单.直观地处理关系型.标记型数据.Pandas常用于处理带行列标签的矩阵数据.与 SQL 或 Excel 表类似的表格数据,应用于金融.统计.社会科学.工程等领域里的数据整理与清洗.数据分析与建模.数据可视化与制表等工作. 数据类型:Pandas 不改变原始的输入数据,而是复制数据生成新的对象,有普通对象构成的

  • 详解Python数据分析--Pandas知识点

    本文主要是总结学习pandas过程中用到的函数和方法, 在此记录, 防止遗忘 1. 重复值的处理 利用drop_duplicates()函数删除数据表中重复多余的记录, 比如删除重复多余的ID. import pandas as pd df = pd.DataFrame({"ID": ["A1000","A1001","A1002", "A1002"], "departmentId":

  • python sqlite的Row对象操作示例

    本文实例讲述了python sqlite的Row对象操作.分享给大家供大家参考,具体如下: 一 代码 import sqlite3 conn=sqlite3.connect("test.db") c=conn.cursor() c.execute("DROP TABLE stocks") c.execute('''CREATE TABLE stocks(data text,trans text,symbol text,qty real,price real) '''

  • Python Pandas数据处理高频操作详解

    Python Pandas数据处理高频操作详解

    目录 引入依赖 算法相关依赖 获取数据 生成df 重命名列 增加列 缺失值处理 独热编码 替换值 删除列 数据筛选 差值计算 数据修改 时间格式转换 设置索引列 折线图 散点图 柱状图 热力图 66个最常用的pandas数据分析函数 从各种不同的来源和格式导入数据 导出数据 创建测试对象 查看.检查数据 数据选取 数据清理 筛选,排序和分组依据 数据合并 数据统计 16个函数,用于数据清洗 1.cat函数 2.contains 3.startswith/endswith 4.count 5.ge

  • Python数据分析之Matplotlib的常用操作总结

    Python数据分析之Matplotlib的常用操作总结

    目录 使用准备 1.简单的绘制图像 2.视图面板的常用操作 3.样式及各类常用修饰属性 4.legend图例的使用 5.添加文字等描述 6.不同类型图像的绘制 总结 使用准备 使用matplotlib需引入: import matplotlib.pyplot as plt 通常2会配合着numpy使用,numpy引入: import numpy as np 1.简单的绘制图像 def matplotlib_draw(): # 从-1到1生成100个点,包括最后一个点,默认为不包括最后一个点 x

  • Python数据分析之 Pandas Dataframe修改和删除及查询操作

    Python数据分析之 Pandas Dataframe修改和删除及查询操作

    目录 一.查询操作 元素的查询 二.修改操作 行列索引的修改 元素值的修改 三.行和列的删除操作 一.查询操作 可以使用Dataframe的index属性和columns属性获取行.列索引. import pandas as pd data = {"name": ["Alice", "Bob", "Cindy", "David"], "age": [25, 23, 28, 24], &q

  • Python数据分析之pandas比较操作

    Python数据分析之pandas比较操作

    一.比较运算符和比较方法 比较运算符用于判断是否相等和比较大小,Python中的比较运算符有==.!=.<.>.<=.>=六个,Pandas中也一样. 在Pandas中,DataFrame和Series还支持6个比较方法,详见下表. 方法 英文全称 用途 eq equal to 等于 ne not equal to 不等于 lt less than 小于 gt greater than 大于 le less than or equal to 小于等于 ge greater than

随机推荐