关于数据分析:Pandas-系列之Series类型数据

Pandas 系列之Series类型数据

本文开始正式写Pandas的系列文章，就从：如何在Pandas中创立数据开始。Pandas中创立的数据蕴含两种类型：

• Series类型
• DataFrame类型

<!–MORE–>

内容导图

Series类型

Series 是一维数组构造，它仅由index（索引）和value（值）形成的。

Series的索引具备唯一性，索引既能够是数字，也能够是字符，零碎会主动将它们转成一个object类型（pandas中的字符类型）。

DataFrame类型

DataFrame 是将数个 Series 按列合并而成的二维数据结构，每一列独自取出来是一个 Series ；除了领有index和value之外，还有column。下图中：

• 索引Index：0，1，2，3…….
• 字段属性：fruit，number
• 值value：苹果、葡萄等；200、300等

导入库

先导入两个库：

import pandas as pd
import numpy as np

Series类型创立与操作

• 通过可迭代类型列表、元组生成
• 通过python字典生成
• 通过numpy数组生成

列表生成

通过列表的形式生成Series数据

s1 = pd.Series([7,8,9,10])
s1

# 后果
0     7
1     8
2     9
3    10
dtype: int64

s2 = pd.Series(list(range(1,8)))
s2

# 后果
0    1
1    2
2    3
3    4
4    5
5    6
6    7
dtype: int64

元组生成

上面的办法是通过元组生成Series数据

s3 = pd.Series((7,8,9,10,11))
s3

# 后果
0     7
1     8
2     9
3    10
4    11
dtype: int64

s4 = pd.Series(tuple(range(1,8)))  #  从1到8，不蕴含8
s4

# 后果
0    1
1    2
2    3
3    4
4    5
5    6
6    7
dtype: int64

应用字典创立

字典的键为索引，值为Series构造对应的值

dic_data = {"0":"苹果", "1":"香蕉", "2":"哈密瓜","3":"橙子"}

s5 = pd.Series(dic_data)
s5

# 后果
0     苹果
1     香蕉
2    哈密瓜
3     橙子
dtype: object

应用numpy数组

s6 = pd.Series(np.arange(3,9))
s6

# 后果
0    3
1    4
2    5
3    6
4    7
5    8
dtype: int64

指定索引(列表)

默认的索引都是从0开始的数值，能够在创立的时候指定每个索引

# 默认

s1 = pd.Series([7,8,9,10])
s1

# 后果
0     7
1     8
2     9
3    10
dtype: int64

s7 = pd.Series([7,8,9,10], index=["A","B","C","D"])  # 指定索引值 
s7

# 后果
A     7
B     8
C     9
D    10
dtype: int64

指定索引(字典模式)

字典的键作为索引值

dic_data = {"水果1":"苹果", 
            "水果2":"香蕉", 
            "水果3":"哈密瓜",
            "水果4":"橙子"
           }

s8 = pd.Series(dic_data)
s8

# 后果
水果1     苹果
水果2     香蕉
水果3    哈密瓜
水果4     橙子
dtype: object

查看索引值

s8

# 后果
水果1     苹果
水果2     香蕉
水果3    哈密瓜
水果4     橙子
dtype: object

s8.index   # 查看索引值

# 后果
Index(['水果1', '水果2', '水果3', '水果4'], dtype='object')

查看值

s8

# 后果
水果1     苹果
水果2     香蕉
水果3    哈密瓜
水果4     橙子
dtype: object

s8.values

# 后果
array(['苹果', '香蕉', '哈密瓜', '橙子'], dtype=object)

更改索引

# 1、新索引
index_new = ['one', 'two', 'three', 'four'] 

# 2、赋值
s8.index = index_new

s8
# 后果
one       苹果
two       香蕉
three    哈密瓜
four      橙子
dtype: object

查看是否存在空值

s7

# 后果
A     7
B     8
C     9
D    10
dtype: int64

s7.isnull()  # 没有空值

# 后果
A    False
B    False
C    False
D    False
dtype: bool

s7.notnull()

# 后果
A    True
B    True
C    True
D    True
dtype: bool

查看某个索引的值

s7

A     7
B     8
C     9
D    10
dtype: int64

两种形式查看：

• 通过自定义的索引查看
• 通过对应的数值索引查看

s7["A"]  #  自定义的索引值

7

s7[0]   # 默认的数值索引

7

s7["D"]

10

s7[3]

10

将Series转成字典

s_dic = s7.to_dict()  # 转成字典模式
s_dic

# 后果
{'A': 7, 'B': 8, 'C': 9, 'D': 10}

type(s_dic)   # 结果显示为字典类型

# 后果
dict

给Series索引命名

s8

# 后果
one       苹果
two       香蕉
three    哈密瓜
four      橙子
dtype: object

s8.index  # 原索引

Index(['one', 'two', 'three', 'four'], dtype='object')

s8.index.name = "水果"  # 索引命名
s8

结果显示为：

水果
one       苹果
two       香蕉
three    哈密瓜
four      橙子
dtype: object

s8.index   # 更改之后的索引

Index(['one', 'two', 'three', 'four'], dtype='object', name='水果')

批改Series数值

s8

# 后果为
水果
one       苹果
two       香蕉
three    哈密瓜
four      橙子
dtype: object

s8["three"] = "西瓜"  # 等价于s8[2] = "西瓜"

s8

更改之后的值为：

水果
one      苹果
two      香蕉
three    西瓜
four     橙子
dtype: object

Series构造转成DataFrame构造

s8

水果
one      苹果
two      香蕉
three    西瓜
four     橙子
dtype: object

在将s8转成DataFrame的过程中波及到3个函数：

• to_frame：转成DataFrame
• reset_index：DataFrame类型的索引重置
• rename：DataFrame的字段属性重置

对于DataFrame的相干内容下节具体解说，敬请期待！

扩大浏览

在之前写过的游览攻略文章中应用pandas的很多知识点，可供学习：

• 海滨城市：厦门真的不止鼓浪屿
• 娱乐之都：长沙31块的臭豆腐它香吗?
• 美食之都：成都的火锅应该很辣吧!
• 13朝古都：西安-当秦始皇遇上biangbiang面
• 南方明珠：南方明珠大连等你