背景

Numpy 提供的最重要的數(shù)據(jù)結(jié)構(gòu)是 ndarray，它是 Python 中 list 的擴(kuò)展。

Pandas 提供了兩種非常重要的數(shù)據(jù)結(jié)構(gòu) Series和DataFrame。

Numpy 中的一維數(shù)組與 Series 相似，一維數(shù)組只是提供了從0開始與位置有關(guān)的索引，而Series除了位置索引之外還可以附加額外的索引。本文將從對(duì)象的創(chuàng)建、屬性的訪問、數(shù)據(jù)的獲取以及常用方法等方面來總結(jié)這兩種結(jié)構(gòu)的異同。

1. 如何創(chuàng)建對(duì)象

1.1 創(chuàng)建一維數(shù)組對(duì)象

• 通過 list或tuple 創(chuàng)建一維數(shù)組。
• 通過數(shù)值范圍來創(chuàng)建一維數(shù)組，比如linspace()函數(shù)，返回指定間隔內(nèi)的等間隔數(shù)字。arange()函數(shù)，返回給定間隔內(nèi)的均勻間隔的值。

import numpy

1.2 創(chuàng)建Series對(duì)象

Series 可以看作是能夠附加索引的一維數(shù)組，所以可以像 Numpy 創(chuàng)建一維數(shù)組一樣使用 list或tuple 來創(chuàng)建，甚至可以使用 Numpy的一維數(shù)組 直接創(chuàng)建。

• 通過列表list、元組tuple創(chuàng)建Series。
• 通過 Numpy 創(chuàng)建Series。

另外，Series 可以附加索引，所以可以在創(chuàng)建的時(shí)候直接指定需要附加的索引，以及利用字典的key-value鍵值對(duì) 來直接創(chuàng)建。

• 通過指定index關(guān)鍵字的方式創(chuàng)建帶有自定義索引的Series。
• 通過字典dict創(chuàng)建Series。

import pandas

2. 如何獲取屬性

2.1 獲取一維數(shù)組對(duì)象屬性

在使用 Numpy 時(shí)，有時(shí)會(huì)想知道數(shù)組的某些信息，可以通過以下屬性來得到：

• numpy.ndarray.ndim 用于返回?cái)?shù)組的維數(shù)(軸的個(gè)數(shù))也稱為秩，一維數(shù)組的秩為 1，二維數(shù)組的秩為 2，以此類推。
• numpy.ndarray.shape 表示數(shù)組的維度，返回一個(gè)元組，這個(gè)元組的長度就是維度的數(shù)目，即 ndim 屬性(秩)。
• numpy.ndarray.size 數(shù)組中所有元素的總量，相當(dāng)于數(shù)組的shape中所有元素的乘積，例如矩陣的元素總量為行與列的乘積。
• numpy.ndarray.dtype ndarray 對(duì)象的元素類型。

import numpy

2.2 獲取Series對(duì)象屬性

Series 除了擁有 Numpy 中ndim、size、shap、dtype屬性外，還擁有下列屬性：

• index 附加的索引
• values 存儲(chǔ)的數(shù)據(jù)
• name 對(duì)象的名稱

import pandas

3. 如何獲取數(shù)據(jù)

3.1 獲取一維數(shù)組對(duì)象數(shù)據(jù)

一維數(shù)組只有默認(rèn)的位置索引，即從0開始的索引，所以獲取數(shù)據(jù)只有通過位置索引這一種方式。

• 通過整數(shù)索引(要獲取數(shù)組的單個(gè)元素，指定元素的索引即可。)
• 通過切片索引(切片操作是指抽取數(shù)組的一部分元素生成新數(shù)組。)
• 通過整數(shù)數(shù)組索引(方括號(hào)內(nèi)傳入多個(gè)索引值，可以同時(shí)選擇多個(gè)元素。)
• 通過布爾索引(通過一個(gè)布爾數(shù)組來索引目標(biāo)數(shù)組。)

import numpy

3.2 獲取Series對(duì)象數(shù)據(jù)

因?yàn)椴桓郊铀饕?Series 也擁有位置索引，所以可以延用一維數(shù)組獲取數(shù)據(jù)的方式。另外 Series 也可以通過附加索引來獲取數(shù)據(jù)。

• 通過位置獲取數(shù)據(jù)
• 通過索引獲取數(shù)據(jù)
• 通過head()和tail()獲取數(shù)據(jù)

import pandas

4. 基本運(yùn)算

4.1 查看描述性統(tǒng)計(jì)數(shù)據(jù)

一維數(shù)組對(duì)象

描述性統(tǒng)計(jì)分析最常見的函數(shù)如下：

• numpy.min()函數(shù)：返回?cái)?shù)組的最小值或沿軸的最小值。
• numpy.max()函數(shù)：返回?cái)?shù)組的最大值或沿軸的最大值。
• numpy.quantile()函數(shù)：計(jì)算沿指定軸的數(shù)據(jù)的分位數(shù)。
• numpy.median()函數(shù)：沿指定軸計(jì)算中位數(shù)。返回?cái)?shù)組元素的中位數(shù)。
• numpy.mean()函數(shù)：計(jì)算沿指定軸的算術(shù)平均值。
• numpy.std()函數(shù)：計(jì)算沿指定軸的標(biāo)準(zhǔn)偏差。

import numpy

Series對(duì)象

除了一維數(shù)組所提供的函數(shù)之外，Series也提供了更多的函數(shù)用于描述性統(tǒng)計(jì)分析。

import pandas

4.2 數(shù)學(xué)運(yùn)算

一維數(shù)組對(duì)象

• numpy.add()函數(shù)：按元素相加。
• numpy.subtract()函數(shù)：按元素相減。
• numpy.multiply()函數(shù)：按元素相乘。
• numpy.divide()函數(shù)：返回輸入的實(shí)際除法(按元素)。
• numpy.floor_divide()函數(shù)：返回小于或等于輸入除法的最大整數(shù)(地板除)。
• numpy.power()函數(shù)：按元素做冪運(yùn)算。

在 Numpy 中對(duì)以上函數(shù)進(jìn)行了運(yùn)算符的重載，且運(yùn)算符為 元素級(jí)。也就是說，它們只用于位置相同的元素之間，所得到的運(yùn)算結(jié)果組成一個(gè)新的數(shù)組。

import numpy

Series對(duì)象

Series 與 Numpy 中的一維數(shù)組一樣支持常用運(yùn)算符的重載，并且可以把 Series對(duì)象 作為參數(shù)帶入到 Numpy 的數(shù)學(xué)運(yùn)算中。

• numpy.sqrt()函數(shù)：按元素返回?cái)?shù)組的非負(fù)平方根。
• numpy.log()函數(shù)：按元素取自然對(duì)數(shù)。

import pandas

4.3 其它運(yùn)算

由于 Series 可以附加索引，所以兩個(gè) Series對(duì)象 進(jìn)行相加的時(shí)候，必須滿足索引對(duì)齊。另外，Series 可以通過to_numpy()方法轉(zhuǎn)化成 Numpy 的一維數(shù)組。

import pandas

---

總結(jié)

我們通過實(shí)例從對(duì)象的創(chuàng)建、屬性的獲取、數(shù)據(jù)的訪問以及常用函數(shù)等維度對(duì)比了 Numpy 的一維數(shù)組和 Pandas 的 Series 結(jié)構(gòu)。很多知識(shí)都是相通的，多對(duì)比多總結(jié)就會(huì)對(duì)整個(gè)模塊有更深入的了解。今天就到這里吧，See You。

---

后臺(tái)回復(fù)「搜搜搜」，隨機(jī)獲取電子資源！
歡迎關(guān)注，請(qǐng)掃描二維碼：

總結(jié)

以上是生活随笔為你收集整理的es6一维数组转二维数组_技术图文：Numpy 一维数组 VS. Pandas Series的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。