《Python for Data Analysis》之 Series

pandas的主要数据结构：Series

---

Pandas所能知足的需求:

• 具有按轴自动或显式数据对齐功能的数据结构。这能够防止许多因为数据未对齐以及来自不一样数据源(索引方式不一样)的数据而致使的常见错误。

• 集成时间序列功能

• 既能处理时间序列数据也能处理非时间序列的数据

• 数据运算和约简(好比对某个轴求和)能够根据不一样的元数据(轴)编号执行。

• 灵活处理缺失数据

• 合并及其余出如今常见数据库中的关系型运算

---

Series是一种相似一维数组的对象，它由一组数据(各类Numpy数据类型)以及一组与之相关的数据标签(即索引)组成

Series的组成要素为两点：1.一组数据 2.与之对应的索引
建立：Series([data],index=[index])

"Data能够是列表（省略index)"
obj = Series([3,4,-5,6])

"经过Python字典建立:键值自动做为索引"
sdata = {'a':3,'b':4,'c':-5,'d':6}
obj = Series(sdata)

"自定义索引"
obj = Series([3,4,-5,6],index=['a','b','c','d'])

应用:Series的方法

"经过索引选取单个值"
In [7]: obj['a']
Out[7]: 3
"经过索引选取一组值"
In [8]: obj[['a','c','d']]
Out[8]: 
a    3
c   -5
d    6
"数据组运算(Series能够看做一维数组)，保留索引和值之间的连接"
obj[obj > 0]
obj[obj*2]
np.exp(obj2)

"还能够将Series看成一个定长的有序字典"
In [9]: "b" in obj
Out[9]: True

In [10]: "e" in obj
Out[10]: False

"Series实例方法"
In [10]: obj.isnull()  #检测缺失数据

"Series的索引能够经过赋值的方式就地修改"

In [11]: obj.index = ['Bob','Steve','Jeff','Ryan']

Out[12]: 
Bob      3
Steve    4
Jeff    -5
Ryan     6
dtype: int64