pandas 学习 第2篇：序列 - Series

序列(Series)是一维的，由一组有序的数据以及与之相关的索引组成，可以保存任何类型的数据（整数，字符串，浮点数，Python对象等）的一维数组。轴标签和下标统称为索引，能够经过索引来访问Series对象中的元素。

一，建立序列

序列的构造函数定义是：

pandas.Series(data=None, index=None, dtype=None, name=None, copy=False)

构造函数的参数：

• data：传递给序列的数据，能够是ndarray、list或字典
• index：设置索引标签，索引标签必须是惟一的，与data参数的长度相同。若是没有传递索引标签，那么默认值是 np.arange(n)，或者 RangeIndex (0, 1, 2, …, n)，若是data参数是dict，而且设置index参数，那么index参数会覆盖dict的key。
• dtype：设置序列元素的数据类型，若是没有设置，那么将推断数据类型
• name：序列是一个多行单列的结构，name是序列的名称
• copy：复制数据，默认值是false

索引的下标是自动生成的，从0开始，加1递增。对于序列的data，能够经过序列的属性values来访问；对于序列的索引，能够经过序列的属性index来访问。

1，建立空的序列

s=pd.Series()

2，使用ndarray建立序列

建立ndarray的一维数组，构造序列，序列包含两部分：索引和序列值，以下所示

>>> data=np.array(['a','b'])
>>> pd.Series(data)
0    a
1    b
dtype: object

最左侧的0和1是行索引，a和b是值，在构造序列时，没有传递任何索引，默认状况下，pandas分配了从 0 到  len(data)-1  的索引，也能够在构造函数中传递自定义的索引列表，以下所示：

>>> pd.Series(data,index=[101,102])
101    a
102    b
dtype: object

3，从列表构造序列

使用列表做为data 参数来构造序列，对于索引，可使用默认值，也能够自定义索引标签：

s=pd.Series([4,7,-5,3])
s=pd.Series([4,7,-5,3],index=['d','b','a','c'])

4，从字典构造序列

能够直接经过字典来建立Series，其中，字典的key做为序列的索引，字典的value做为序列值：

>>> sdata = {'b': 12, 'a': 13, 'd': 14, 'c': 10}
>>> sd=pd.Series(sdata)
b    12
a    13
d    14
c    10
dtype: int64

5，设置多级别的索引

index参数能够设置为多个索引，每一个索引的长度都是相同的。

>>> arrays = [np.array(['qux', 'qux', 'foo', 'foo',
...                     'baz', 'baz', 'bar', 'bar']),
...           np.array(['two', 'one', 'two', 'one',
...                     'two', 'one', 'two', 'one'])]
... 
>>> s = pd.Series([1, 2, 3, 4, 5, 6, 7, 8], index=arrays)
>>> s
qux  two    1
     one    2
foo  two    3
     one    4
baz  two    5
     one    6
bar  two    7
     one    8
dtype: int64

二，访问序列的元素

序列元素的访问，能够经过索引，下标，索引是在构造函数中经过index参数传递或构造的，而下标是默认生成的，第一个元素的下标值是0，依次加1递增。

1，经过下标来访问序列

下表从0开始，依次加1递增，访问序列的第一个元素：

>>> sd[0]
12

访问序列的前三个元素，下表为负，表示从方向来访问：

sd[:3]
sd[-3:]

2，经过索引标签来访问序列的元素

经过索引来访问序列的元素，并能够修改序列元素的值

sd['a']=4

也能够传递多个索引标签：

>>> sd[['a','b']]
a    13
b    12

三，序列的属性

序列对象包含的属性：

• array：把序列转换为数组
• dtype：序列元素的数据类型
• hasnan：序列是否包含nan
• axes：序列的轴标签
• index：序列的索引标签
• values：序列的值属性
• is_unique：序列的元素是不是惟一的
• size：序列的元素数量
• shape：序列的形状，表示各个维度的数量
• ndim：维度的数量

四，序列的索引

序列对象还能经过属性来访问序列的元素值。

1，at和iat属性，用于访问单个序列元素值

at属性表示的是索引标签和元素值对，经过索引标签访问单个序列值

>>> sd.at['a']
13

iat属性表示的下表和元素值对，经过下表访问序列的单个元素值：

>>> sd.iat[1]
13

2，loc和iloc，经过序列的位置来访问元素

iloc：纯粹基于整数位置的索引，用于按位置选择序列元素

• 单个位置索引，好比sd.iloc[1]
• 位置索引的列表，好比 sd.iloc[[0,1]]
• 整数序列，好比，sd.iloc[0:2]
• 布尔值数组，sd.iloc[[True, False, True, False]]

loc：经过索引标签和布尔值数组来选择序列的元素

举个例子，经过整数序列来选择序列的元素：

>>> sd.iloc[0:2]
b    12
a    13

举个例子，经过索引的标签来选择序列的元素：

>>> sd.loc[['a','b']]
a    13
b    12
dtype: int64

3，ix属性

ix属性是最首要的标签-位置的索引器，具备整数位置的回退，注意，不推荐使用ix索引器。

• .ix []支持基于整数和标签混合的访问，它主要基于标签，但将回退到整数位置访问，除非相应的轴是整数类型。
• .ix是最经常使用的索引器，它将支持.loc和.iloc中的任何输入。
• 可是，当轴基于整数时，仅支持基于标签的访问而非位置访问。 所以，在这种状况下，一般最好是明确的并使用.iloc或.loc。

举个例子，ix索引器既支持整数，也支持标签的访问。

>>> sd.ix[1]
>>> sd.ix['a'] 

4，get()和key函数

get(key)：key参数能够是索引的下标，也能够是索引的标签，根据key返回相应的value

keys()：该函数返回序列的全部索引标签

>>> sd.keys()
Index(['b', 'a', 'd', 'c'], dtype='object')
>>> sd.get('a')
13
>>> sd.get(0)
12

5，得到懒惰迭代器

能够经过序列的__iter__()函数得到值的迭代器，也能够经过items()或iteritems()函数得到包含索引和值的元组的迭代器：

Series.__iter__(self)    #Return an iterator of the values.
Series.items(self)       #Lazily iterate over (index, value) tuples.
Series.iteritems(self)   #Lazily iterate over (index, value) tuples.

例如，经过items()函数得到序列的迭代器，并经过for循环来打印序列的值

>>> for t in sd.items():
...     print(t)
... 
('b', 12)
('a', 13)
('d', 14)
('c', 10)

五，序列的条件索引

按照条件选择序列的特定行，可使用序列的loc或iloc属性，并使用布尔索引来筛选序列的数据行：

>>> sd.loc[sd>12]
a    13
d    14
dtype: int64

也可使用逻辑表达式对条件进行组合计算：

>>> sd.loc[(sd>12) & (sd<14)]
a    13
dtype: int64
>>> sd.loc[(sd>12) | (sd<14)]
b    12
a    13
d    14
c    10
dtype: int64

注意，必须用小括号把两个逻辑表达式括起来，否则会报错：

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

查看序列的逻辑表达式的值：

>>> (sd>12) & (sd<14)
b    False
a     True
d    False
c    False
dtype: bool

 

参考文档：

pandas Series