非常详细的Series核心操作使用详解
生活随笔
收集整理的這篇文章主要介紹了
非常详细的Series核心操作使用详解
小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.
文章目錄
- 簡介
- 1 創(chuàng)建
- 1.1 通過字典操作
- 1.2 通過numpy數(shù)組創(chuàng)建
- 1.3 通過標(biāo)量創(chuàng)建
- 2 數(shù)據(jù)訪問
- 2.1 通過下標(biāo)訪問
- 2.2 通過索引訪問
- 2.3 通過切片訪問
- 2.4 布爾變量訪問
- 3 索引操作
- 根據(jù)數(shù)據(jù)分組
- 3.1 索引屬性
- 3.2 訪問索引
- 4 基本操作
- 4.1 添加數(shù)據(jù)
- 4.2 刪除數(shù)據(jù)
- 4.3 修改數(shù)據(jù)
- 4.4 查看數(shù)據(jù)
- 4.5 重建索引
- 4.6 數(shù)據(jù)對齊
- 5 數(shù)據(jù)統(tǒng)計(jì)
- 5.1 功能介紹
- 5.2 代碼演示
- 6 注意事項(xiàng)
- 參考
簡介
Pandas是非常強(qiáng)大的二維數(shù)組操作庫。而二維庫是由多個(gè)一級的series組成，它具有以下內(nèi)容：
- 數(shù)據(jù)：可以是列表, 字典或標(biāo)量值。
- index：索引的值應(yīng)唯一且可哈希。它必須與數(shù)據(jù)長度相同。
- dtype：是指系列的數(shù)據(jù)類型。
本文將介紹Series的基本使用方法。
1 創(chuàng)建
1.1 通過字典操作
根據(jù)以下示例可見：
- 通過字典可以直接生成Series對象
- 鍵會(huì)成為Series的索引，值會(huì)變成Series的數(shù)據(jù)
- 值類型可以不一樣（這點(diǎn)不同于Numpy）
1.2 通過numpy數(shù)組創(chuàng)建
| 在一個(gè)Series對象中，數(shù)據(jù)是必需的，所以通過pd.Series() | 數(shù)在創(chuàng)建時(shí)，第1個(gè)就是數(shù)據(jù)。下面的示例中使用 np. |random.rand(5) 函數(shù)生成長度為5的一組narray對象，對Series進(jìn)行初始化。index就是索引，長度與數(shù)據(jù)必需一致。name是Series對象的名稱用于顯示。這兩個(gè)變量都不是必需的。
import numpy as np import pandas as pd # 三個(gè)參數(shù)分別表示數(shù)據(jù)，索引和Series的名稱 s = pd.Series(np.random.rand(5), index = list('abcde'), name = 'test') print(s,type(s))# 輸出 a 0.478839 b 0.517298 c 0.854202 d 0.543885 e 0.032623 Name: test, dtype: float64 <class 'pandas.core.series.Series'>1.3 通過標(biāo)量創(chuàng)建
所謂標(biāo)題就是一維的常量，如下所示，可以使用數(shù)字3創(chuàng)建一個(gè)長度為5的Series對象。這里，長度是由索引決定的，由于數(shù)據(jù)只有一標(biāo)量3，所以就用3填充5次。
import numpy as np import pandas as pds = pd.Series(3,index=list('abcde')) print(s)# 輸出 a 3 b 3 c 3 d 3 e 3 dtype: int642 數(shù)據(jù)訪問
數(shù)據(jù)訪問就是訪問Series對象中數(shù)據(jù)的方法。由于Series是一維的，所以常規(guī)可以通過索引或偏移量的方式進(jìn)行訪問數(shù)據(jù)。
2.1 通過下標(biāo)訪問
通過下標(biāo)訪問是最常規(guī)的一種方法，可以將Series對象當(dāng)作數(shù)組一樣使用下標(biāo)進(jìn)行訪問，下標(biāo)同樣從0開始。
import numpy as np import pandas as pds = pd.Series(np.random.rand(5)) print(s,'\n') print('s[2]:', s[2],type(s[2]),s[2].dtype)# 輸出 0 0.949404 1 0.400692 2 0.660859 3 0.295815 4 0.680184 dtype: float64 s[2]: 0.6608588265235231 <class 'numpy.float64'> float642.2 通過索引訪問
通過索引訪問就是利用Series中的index訪問對應(yīng)的數(shù)據(jù)，可以理解為將Series當(dāng)作字典，使用key訪問其value。不過其訪問功能更加強(qiáng)大，除了可以使用單個(gè)key訪問其value，還可以使用包含多個(gè)key的列表，一次獲得多個(gè)value。
需要注意，使用單個(gè)key訪問時(shí)，若key不存在時(shí)，則會(huì)報(bào)錯(cuò)，如果使用key列表，則返回為None。
import numpy as np import pandas as pds = pd.Series(np.random.rand(5), index = list('abcde')) print(s) print('-'*10, '\n') print("s['a']:", s['a'], '\n') print("--- s[['b','e', 'f']] ---") print(s[['b','e', 'f']])# 輸出 a 0.977675 b 0.128278 c 0.110421 d 0.413023 e 0.568087 dtype: float64 ---------- s['a']: 0.9776748201255117 --- s[['b','e', 'f']] --- b 0.128278 e 0.568087 f NaN dtype: float64 # s['f']不存在，第一次會(huì)給出報(bào)警，但可以正常執(zhí)行 C:\ProgramData\Anaconda3\lib\site-packages\pandas\core\series.py:1152: FutureWarning: Passing list-likes to .loc or [] with any missing label will raise | KeyError in the future, you can use .reindex() | as an alternative. |See the documentation here: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#deprecate-loc-reindex-listlikereturn self.loc[key]2.3 通過切片訪問
import numpy as np import pandas as pds1 = pd.Series(np.random.rand(5),list('abcde')) print(s1,'\n') print(s1['a':'c'],'\n') #用index做索引的話是末端包含的 print(s1[0:2],'\n') #用下標(biāo)做切片索引的話和list切片是一樣的，不包含末端 # 輸出 a 0.634454 b 0.132619 c 0.211219 d 0.559798 e 0.424643 dtype: float64 a 0.634454 b 0.132619 c 0.211219 dtype: float64 a 0.634454 b 0.132619 dtype: float642.4 布爾變量訪問
布爾型索引判斷，生成的是一個(gè)由布爾型組成的新的Series。
| .isnull() | .notnull() | 判斷是否是空值，其中None表示空值，NaN表示有問題的值，兩個(gè)都會(huì)被判斷為空值。 |
3 索引操作
除了數(shù)據(jù)的操作，索引的操作也很重要，下面是對索引的一些常規(guī)操作。
根據(jù)數(shù)據(jù)分組
3.1 索引屬性
除了數(shù)據(jù)訪問，我們還可以訪問索引內(nèi)容。索引的類型。以下代碼展示了常用的索引類型，基本范圍都是與range相關(guān)的內(nèi)容。
import numpy as np import pandas as pds = pd.Series(np.random.rand(5), index=range(5)) print('type(s.index): ', type(s.index), '\n') print('s.index:', s.index, '\n')s = pd.Series(np.random.rand(5), index=list('abcde')) print('type(s.index): ', type(s.index), '\n') print('s.index:', s.index, '\n')s = pd.Series(np.random.rand(5), index=pd.date_range('2018-01-01', periods=5)) print('type(s.index): ', type(s.index), '\n') print('s.index:', s.index, '\n')# 輸出 type(s.index): <class 'pandas.core.indexes.range.RangeIndex'> s.index: RangeIndex(start=0, stop=5, step=1) type(s.index): <class 'pandas.core.indexes.base.Index'> s.index: Index(['a', 'b', 'c', 'd', 'e'], dtype='object') type(s.index): <class 'pandas.core.indexes.datetimes.DatetimeIndex'> s.index: DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04','2018-01-05'],dtype='datetime64[ns]', freq='D')3.2 訪問索引
由于索引類型基本與range相關(guān)，所以可以與list類型一樣使用下標(biāo)和范圍進(jìn)行訪問。
import numpy as np import pandas as pds = pd.Series(np.random.rand(5), index=range(5))print('type(s)', type(s), '\n')print(s, '\n')# 查看索引 print(s.index, '\n')# 查看范圍為 [1, 3) 的索引范圍 print(s.index[1:3], '\n')# 可以直接使用選定范圍后的內(nèi)容查看s的數(shù)據(jù) print(s[s.index[1:3]])# 遍歷索引，然后顯示索引對應(yīng)的值 for id in s.index:print(s[id])# 輸出 type(s) <class 'pandas.core.series.Series'> 0 0.138492 1 0.285440 2 0.280471 3 0.245737 4 0.996996 dtype: float64 RangeIndex(start=0, stop=5, step=1) RangeIndex(start=1, stop=3, step=1)1 0.285440 2 0.280471 dtype: float640.13849193313381447 0.2854401610542934 0.280470887359729 0.2457365359030208 0.9969960403138594 基本操作
4.1 添加數(shù)據(jù)
import numpy as np import pandas as pds1 = pd.Series(np.random.rand(2)) print('s1') print(s1)s1[3]= 100 #用index增添 s1['a'] = 200 print('\ns1添加兩數(shù)據(jù)') print(s,'\n')s2 = pd.Series(np.random.rand(2), index = ['value1','value2']) print('\ns2') print(s2)s3 = s.append(s2) #用append()增添 print('\ns1.append(s2)') print(s3)# 輸出 s1 0 0.981331 1 0.555244 dtype: float64s1添加兩數(shù)據(jù) 0 0.570088 1 0.835804 3 100.000000 a 200.000000 dtype: float64 s2 value1 0.089712 value2 0.399171 dtype: float64s1.append(s2) 0 0.570088 1 0.835804 3 100.000000 a 200.000000 value1 0.089712 value2 0.399171 dtype: float644.2 刪除數(shù)據(jù)
import numpy as np import pandas as pd s = pd.Series(np.random.rand(5),index = list('abcde')) print('s') print(s)del s['a'] #用del刪除 print("\n刪除1個(gè)數(shù)據(jù)：del s['a']") print(s,'\n')s1 = s.drop(['c','d']) #用.drop()刪除，刪除多個(gè)要加[] print("\n刪除多個(gè)數(shù)據(jù)：s1 = s.drop(['c','d']) ") print(s1)# 輸出 s a 0.687421 b 0.938094 c 0.391408 d 0.667542 e 0.245056 dtype: float64刪除1個(gè)數(shù)據(jù)：del s['a'] b 0.938094 c 0.391408 d 0.667542 e 0.245056 dtype: float64 刪除多個(gè)數(shù)據(jù)：s1 = s.drop(['c','d']) b 0.938094 e 0.245056 dtype: float644.3 修改數(shù)據(jù)
數(shù)據(jù)修改直接使用索引指定進(jìn)行賦值操作，可以單個(gè)修改也可以批量修改。
import numpy as np import pandas as pds = pd.Series(np.random.rand(5),index = list('abcde')) print(s,'\n') s[1] = 100 # 直接賦值 print(s,'\n') s[['c','d']] = 200 # 批量賦值 print(s)# 輸出 a 0.317819 b 0.359241 c 0.662112 d 0.087609 e 0.940697 dtype: float64 a 0.317819 b 100.000000 c 0.662112 d 0.087609 e 0.940697 dtype: float64 a 0.317819 b 100.000000 c 200.000000 d 200.000000 e 0.940697 dtype: float644.4 查看數(shù)據(jù)
類似于Linux的head和tail命令，可以使用s.head(n)和s.tail(n)進(jìn)行數(shù)據(jù)訪問。
import numpy as np import pandas as pd s = pd.Series(np.random.rand(10)) print(s.head(2),'\n') print(s.tail(3))# 輸出 0 0.140628 1 0.768699 dtype: float64 7 0.255628 8 0.535300 9 0.324614 dtype: float644.5 重建索引
.reindex(新的標(biāo)簽,fill_value = )會(huì)根據(jù)更改后的標(biāo)簽重新排序，若添加了原標(biāo)簽中沒有的新標(biāo)簽，則默認(rèn)填入NaN，參數(shù)fill_value指對新出現(xiàn)的標(biāo)簽填入的值。
import numpy as np import pandas as pd s = pd.Series(np.random.rand(3),index = ['a','b','c']) print(s, '\n') s1 = s.reindex(['c','b','a','A'],fill_value = 100) print(s1)# 輸出 a 0.692466 b 0.757568 c 0.181863 dtype: float64 c 0.181863 b 0.757568 a 0.692466 A 100.000000 dtype: float644.6 數(shù)據(jù)對齊
數(shù)據(jù)對齊的目的是根據(jù)索引，對數(shù)據(jù)進(jìn)行相應(yīng)的操作，如相加。
import numpy as np import pandas as pds1 = pd.Series(np.random.rand(3),index = ['a','b','c']) s2 = pd.Series(np.random.rand(3),index =['a','c','A']) print(s1,'\n') print(s2,'\n') print(s1+s2) # 輸出 a 0.414064 b 0.599441 c 0.579188 dtype: float64 a 0.163382 c 0.095508 A 0.521609 dtype: float64 A NaN a 0.577446 b NaN c 0.674696 dtype: float645 數(shù)據(jù)統(tǒng)計(jì)
5.1 功能介紹
常用的統(tǒng)計(jì)函數(shù)以下表所示：
| aggregate() | 聚合運(yùn)算，用于自定義統(tǒng)計(jì)函數(shù)，待研究。 |
| all() | 等價(jià)于邏輯“與” |
| any() | 等價(jià)于邏輯“或” |
| idxmin() | 尋找最小值對應(yīng)的所在位置 |
| idxmax() | 尋找最大值所在位置 |
| count() | 計(jì)數(shù)，None不統(tǒng)計(jì)。 |
| cumsum() | 運(yùn)算累計(jì)和 |
| cumprod() | 運(yùn)算累計(jì)積 |
| cov() | 計(jì)算協(xié)方差 |
| corr() | 計(jì)算相關(guān)系數(shù) |
| describe() | 描述性統(tǒng)計(jì)，返回多個(gè)常用統(tǒng)計(jì)結(jié)果。 |
| groupby() | 分組 |
| kurt() | 計(jì)算峰度 |
| max() | 計(jì)算最大值 |
| mean() | 計(jì)算平均值 |
| median() | 計(jì)算中位數(shù) |
| min() | 計(jì)算最小值 |
| mode() | 計(jì)算眾數(shù) |
| pct--_change() | 運(yùn)算比率（后一個(gè)元素與前一個(gè)元素的比率） |
| quantile() | 計(jì)算任意分位數(shù) |
| size() | 計(jì)數(shù)（統(tǒng)計(jì)所有元素的個(gè)數(shù)） |
| skew() | 計(jì)算偏度 |
| std() | 計(jì)算標(biāo)準(zhǔn)差 |
| sum() | 求和 |
| value_counts() | 頻次統(tǒng)計(jì)，即按相同值分組，返回每組的數(shù)據(jù)個(gè)數(shù)。 |
| var() | 計(jì)算方差 |
5.2 代碼演示
以下為演示代碼，以展示主要函數(shù)使用效果。
注：部分函數(shù)測試未通過，待進(jìn)一步調(diào)研。
6 注意事項(xiàng)
- 空值（None）和任何值相加都會(huì)返回空值。
- count之類的函數(shù)不統(tǒng)計(jì)空值（None）。
參考
[1] pandas時(shí)間序列操作方法pd.date_range()，https://blog.csdn.net/missyougoon/article/details/83958749
[2] pd.Series 用法，https://www.cnblogs.com/sparkingplug/p/11409365.html
[3] Pandas時(shí)間序列：生成指定范圍的日期, https://blog.csdn.net/bqw18744018044/article/details/80920356
總結(jié)
以上是生活随笔為你收集整理的非常详细的Series核心操作使用详解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： JavaScript - 通过居民身份证
- 下一篇： vm安装vmtools