Pandas(一) |
您所在的位置：网站首页 › series是二维的数据结构吗 › Pandas(一) |
Pandas(一)
|
目录 Series结构 创建Series对象 访问Series数据 Series常用属性 Series常用方法 Series结构Series 结构，也称 Series 序列，是 Pandas 常用的数据结构之一，它是一种类似于一维数组的结构，由一组数据值（value）和一组标签组成，其中标签与数据值之间是一一对应的关系。 Series 可以保存任何数据类型，比如整数、字符串、浮点数、Python 对象等，它的标签默认为整数，从 0 开始依次递增。Series 的结构图，如下所示：
通过标签我们可以更加直观地查看数据所在的索引位置。 创建Series对象Pandas 使用 Series() 函数来创建 Series 对象，通过这个对象可以调用相应的方法和属性，从而达到处理数据的目的： import pandas as pds=pd.Series( data, index, dtype, copy)参数说明如下所示： 参数名称描述data输入的数据，可以是列表、常量、ndarray 数组等。index索引值必须是惟一的，如果没有传递索引，则默认为 np.arrange(n)。dtypedtype表示数据类型，如果没有提供，则会自动判断得出。copy表示对 data 进行拷贝，默认为 False。可以使用数组、字典、标量值或者 Python 对象来创建 Series 对象。下面展示了创建 Series 对象的不同方法： 1) 创建一个空Series对象 import pandas as pd #输出数据为空 s = pd.Series() print(s) 输出结果如下： Series([], dtype: float64)2) ndarray创建Series对象 ndarray 是 NumPy 中的数组类型，当 data 是 ndarry 时，传递的索引必须具有与数组相同的长度。假如没有给 index 参数传参，在默认情况下，索引值将使用是 range(n) 生成，其中 n 代表数组长度，如下所示： import pandas as pd import numpy as np # 使用默认索引，创建 Series 序列对象，这种设置方式被称为“隐式索引”。 data = np.array(['a','b','c','d']) s = pd.Series(data) print (s) 输出结果如下： 0 a 1 b 2 c 3 d dtype: object # 可以使用“显式索引”的方法定义索引标签，自定义索引标签（即显示索引） s = pd.Series(data,index=[100,101,102,103]) print(s) 输出结果： 100 a 101 b 102 c 103 d dtype: object3) dict创建Series对象 您可以把 dict 作为输入数据。如果没有传入索引时会按照字典的键来构造索引；反之，当传递了索引时需要将索引标签与字典中的值一一对应。 下面两组示例分别对上述两种情况做了演示。 import pandas as pd import numpy as np # 示例1，没有传递索引时： data = {'a' : 0., 'b' : 1., 'c' : 2.} s = pd.Series(data) print(s) 输出结果： a 0.0 b 1.0 c 2.0 dtype: float64 # 示例 2，为index参数传递索引时： s = pd.Series(data,index=['b','c','d','a']) print(s) 输出结果： b 1.0 c 2.0 d NaN # 当传递的索引值无法找到与其对应的值时，使用 NaN（非数字）填充。 a 0.0 dtype: float644) 标量创建Series对象 # 如果 data 是标量值，则必须提供索引，示例如下： import pandas as pd import numpy as np s = pd.Series(5, index=[0, 1, 2, 3]) print(s) 输出如下： 0 5 1 5 2 5 3 5 dtype: int64标量值按照 index 的数量进行重复，并与其一一对应。 访问Series数据上述讲解了创建 Series 对象的多种方式，那么我们应该如何访问 Series 序列中元素呢？分为两种方式，一种是位置索引访问；另一种是索引标签访问。 1) 位置索引访问 这种访问方式与 ndarray 和 list 相同，使用元素自身的下标进行访问。我们知道数组的索引计数从 0 开始，这表示第一个元素存储在第 0 个索引位置上，以此类推，就可以获得 Series 序列中的每个元素。下面看一组简单的示例： import pandas as pd s = pd.Series([1,2,3,4,5],index = ['a','b','c','d','e']) # 通过位置和标签下标访问 print(s[0]) #位置下标 print(s['a']) #标签下标 输出结果： 1 1 # 使用索引标签访问多个元素值 print(s[['a','c','d']]) 输出结果： a 1 c 3 d 4 dtype: int64 # 通过切片的方式访问 Series 序列中的数据，示例如下： print(s[:3]) 输出结果： a 1 b 2 c 3 dtype: int64 Series常用属性下面介绍 Series 的常用属性和方法。在下表列出了 Series 对象的常用属性。 名称属性axes以列表的形式返回所有行索引标签。dtype返回对象的数据类型。empty返回一个空的 Series 对象。ndim返回输入数据的维数。size返回输入数据的元素数量。values以 ndarray 的形式返回 Series 对象。index返回一个RangeIndex对象，用来描述索引的取值范围。示例如下： import pandas as pd import numpy as np s = pd.Series(np.random.randn(5)) # axes print(s.axes) [RangeIndex(start=0, stop=5, step=1)] # dtype print(s.dtype) float64 # empty print(s.empty) False # ndim print(s.ndim) 1 # 因为其为一维数组，其始终返回1 # size print(s.size) 5 # values print(s.values) [-0.50210028 0.69619407 -0.98206327 0.41642976 -1.38451433] # index print(s.index) RangeIndex(start=0, stop=5, step=1) # 隐式索引 Series常用方法1) head()&tail()查看数据 如果想要查看 Series 的某一部分数据，可以使用 head() 或者 tail() 方法。其中 head() 返回前 n 行数据，默认显示前 5 行数据。 import pandas as pd import numpy as np s = pd.Series(np.random.randn(5)) #返回前三行数据 print(s.head(3)) head(3)输出： dtype: float64 0 1.249679 1 0.636487 2 -0.987621 dtype: float64 # tail() 返回的是后 n 行数据，默认为后 5 行，输出后两行数据 print (s.tail(2)) 输出后两行数据： dtype: float64 2 -0.719175 3 -0.035178 dtype: float642) isnull()&nonull()检测缺失值 isnull() 和 nonull() 用于检测 Series 中的缺失值。所谓缺失值，顾名思义就是值不存在、丢失、缺少。 isnull()：如果为值不存在或者缺失，则返回 True。notnull()：如果值不存在或者缺失，则返回 False。针对数据丢失的现象，可以使用相应的方法对缺失值进行处理，比如均值插值、数据补齐等方法。上述两个方法可以检测是否存在缺失值。示例如下： import pandas as pd #None代表缺失数据 s=pd.Series([1,2,5,None]) print(pd.isnull(s)) #是空值返回True 输出结果： 0 False 1 False 2 False 3 True dtype: bool print(pd.notnull(s)) #空值返回False notnull(): 0 True 1 True 2 True 3 False dtype: bool
|
【本文地址】
今日新闻 |
推荐新闻 |