pandas之Series

pandas之Series

一维数据，带标签的数组

1. 建立Series

1.1 经过list 建立Series

须要指定 data，index，data和index是list类型或者 np.arange

s1 = pd.Series(np.arange(10), index=list(string.ascii_uppercase[:10]))
s2 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
s3 = pd.Series([1, 2, 3], index=np.arange(3))
s4 = pd.Series([1, 2, 3], index=list("efg"))
复制代码

1.2 经过字典 建立Series

直接传入字典便可,key为index，value为data

dict = {"name": "Jack", "age": 30, "tel": 10086}
s5 = pd.Series(dict)
复制代码

1.3 经过旧的Series建立新的Series

能够修改Series的index,若是加入了新索引，对应的value为Nan, 注意NaN是float,pandas会自动更改成float

s6 = pd.Series(s1, index=list(string.ascii_uppercase[:15]))
s7 = s6.astype(object) #修改元素数据类型
复制代码

2. Series的索引

2.1 经过所在的位置取值

s1[3]
复制代码

3

2.2 经过索引名称取值

s1['C']
复制代码

2

3. Series的切片

3.1 取前两行

s1[0:2]) # 经过位置-取前两行
复制代码

3.2 取不连续多行，注意嵌套[]

s1[[1, 8]])  # 经过位置-取不连续多行
s1[['A', 'C', 'F']])  # 经过索引名称-取不连续多行
复制代码

3.3 取出全部行，步长为2

s1[0::2] # 取出全部行，步长为2
复制代码

3.4 按照条件，取出对应行

s1[s1 > 5]  # 按照单个条件取
s1[(s1 > 5) & (s1 % 2 == 0)] # 按照多个条件取
复制代码

4. Series取出来全部索引index

4.1 全部索引index

index是一个类型

type(s1.index)
s1.index
复制代码

4.2 遍历全部的index

for i in s1.index:
    print(i)
复制代码

4.3 index类型转为list

list(s1.index)
复制代码

['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J']

4.4 index能够直接切片

s1.index[0::2]
复制代码

Index(['A', 'C', 'E', 'G', 'I'], dtype='object')

4.5 获得全部index的长度

en(s1.index)
复制代码

10

5. Series取出来全部值values

s1.values
type(s1.values)
复制代码

[ 1 3 5 7 9 2 4 6 8 10] <class 'numpy.ndarray'>

6. where 条件

6.1 全部大于3的元素，都变成10

s1.where(s1 > 3, 10)
复制代码

A 10 B 10 C 5 D 7 E 9 F 10 G 4 H 6 I 8 J 10

6.2 全部大于5的元素，保持不变，其余的都为Nan

s1.where(s1 > 5)
复制代码

A NaN B NaN C NaN D 7.0 E 9.0 F NaN G NaN H 6.0 I 8.0 J 10.0

6.3 全部大于5的元素都变为Nan，其他的保持不变

s1.mask(s1 > 5)
复制代码

A 0.0 B 1.0 C 2.0 D 3.0 E 4.0 F 5.0 G NaN H NaN I NaN J NaN

附代码

import pandas as pd
import numpy as np
import string

# pandas之Series
# 一维数据，带标签的数组

# 1. 建立Series

# 1.1 经过list 建立Series (须要指定 data，index)
# 指定indexdata和index是list类型或者 np.arange
s1 = pd.Series(np.arange(10), index=list(string.ascii_uppercase[:10]))
s2 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
s3 = pd.Series([1, 2, 3], index=np.arange(3))
s4 = pd.Series([1, 2, 3], index=list("efg"))
print(s1)
print(s2)
print(s3)
print(s4)

# 1.2 经过字典 建立Series(直接传入字典便可,key为index，value为data)
dict = {"name": "Jack", "age": 30, "tel": 10086}
s5 = pd.Series(dict)
print(s5)

# 1.3 经过旧的Series建立新的Series
# （能够修改Series的index,若是加入了新索引，对应的value为Nan,
# 注意NaN是float,pandas会自动更改成float）

s6 = pd.Series(s1, index=list(string.ascii_uppercase[:15]))
print(s6)

# 1.3.1 修改元素数据类型
# s7 = s6.astype(int) 由于存在nan，因此不能指定为int
s7 = s6.astype(object)
print(s7)
print("*" * 100)

# 2. Series的索引

# 2.1 经过所在的位置取值
print(s1[3])

# 2.2 经过索引名称取值
print(s1['C'])

# 3. Series的切片

s1 = pd.Series([1, 3, 5, 7, 9, 2, 4, 6, 8, 10], index=list(string.ascii_uppercase[:10]))
print(s1)
# 3.1 输入 start end 步长

print(s1[0:2])  # 经过位置-取前两行
print(s1[[1, 8]])  # 经过位置-取不连续多行
print(s1[['A', 'C', 'F']])  # 经过索引名称-取不连续多行

print(s1[0::2])  # 取出全部行，步长为2

print(s1[s1 > 5])  # 按照单个条件取
print(s1[(s1 > 5) & (s1 % 2 == 0)])  # 按照多个条件取

# 4. Series取出来全部索引index 是一个类型

# 4.1 全部索引index
print(type(s1.index))

print(s1.index)

# 4.2 遍历全部的index
for i in s1.index:
    print(i)

# 4.3 index类型转为list
print(list(s1.index))

# 4.4 index能够直接切片
print(s1.index[0::2])

# 4.5 获得全部index的长度
print(len(s1.index))

# 5. Series取出来全部值values 是一个类型

print(s1.values)
print(type(s1.values))

# 6. where 条件

# 6.1 全部大于3的元素，都变成10
print(s1.where(s1 > 3, 10))

# 6.2 全部大于5的元素，保持不变，其余的都为Nan
print(s1.where(s1 > 5))

# 6.3 全部大于5的元素都变为Nan，其他的保持不变
s1 = pd.Series(np.arange(10), index=list(string.ascii_uppercase[:10]))
print(s1.mask(s1 > 5))
复制代码