Series(一):Series的创建方式和常用属性说明 |
您所在的位置:网站首页 › 几个属性 › Series(一):Series的创建方式和常用属性说明 |
大家好,我是黄同学 今天给大家介绍Series的创建方式和常用属性说明。 1、list、ndarray、Series的简单比较① list列表,列表中的元素可以是不同的数据类型,使用从0开始的整数值作为默认索引; ② ndarray数组,数组中的元素必须是同种数据类型,也是使用从0开始的整数值作为默认索引; ③ Series序列,是一种一维的结构,类似于一维列表和ndarray中的一维数组,但是功能比他们要更为强大,Series由两部分组成:索引index和数值values; ④ 一维列表和一维数组中都是采用从0开始的整数值作为默认索引,索引值一般不显示的给出,但是我们可以通过索引去获取其中的元素。对于Series来说,默认索引也是从0开始的整数值作为默认索引,但是是显示地给出,更为强大的是,Series中的索引可以随意设置,方便我们取数。 操作如下: import numpy as np import pandas as pd l1 = [1,2,"中国",4.5] display(l1) display(l1[2]) a1 = np.array([1,2,5,6,8]) display(a1) display(a1[4]) s1 = pd.Series([1,3,5,7,9]) display(s1) display(s1[4]) s2 = pd.Series([1,3,5,7,9],index=["a","b","c","d","e"]) display(s2) display(s2["d"]) display(s2[3]) s3 = pd.Series([1,3,5,7,9],index=[3,4,5,6,7]) display(s3) display(s3[6])结果如下: 通过上述测试,我们可以总结出来这第5条结论: ⑤ 创建Series序列时,当不指定索引的时候,默认会生成从0开始的整数索引;当指定了“字符串索引”(也叫“标签索引”),既可以通过这个字符串索引访问元素,也可以通过原有的从0开始的整数索引访问元素;当指定一个“整数索引”,那么该索引会覆盖掉原有的默认的整数索引,只能通过这个新的整数索引访问元素,默认的整数索引会失效。 2、Series的5种常用创建方式语法:创建Series的语法:pd.Series() 常用参数:index,用于指定新的索引;dtype,用于指定元素的数据类型; 大前提:要记住Series是一个一维的结构!!! 注意:当你指定了索引,系统会使用这个指定索引;当你没有指定索引,系统会默认给我们创建索引。 1)通过一维列表创建Series x = [1,3,5,7,9] y = pd.Series(x) display(y) y1 = pd.Series(x,index=["a","b","c","d","e"],dtype=np.float32) display(y1)结果如下: 2)通过可迭代对象创建Series x = range(2,7) y = pd.Series(x) display(y)结果如下: 3)通过字典创建Series x = dict(a=22,b=18,c=35) y = pd.Series(x) display(y) x1 = pd.Series({"a":1,"b":2,"c":3}) display(x1)结果如下: 4)通过一维数组创建Series x = np.arange(1,6) y = pd.Series(x) display(y)结果如下: 5)通过标量(常数)创建Series x = 22 y1 = pd.Series(x) display(y1) y2 = pd.Series(x,index=list(range(5))) display(y2)结果如下: 注意:创建一个含有相同元素的Series,元素的个数取决于我们设置的索引的个数。 3、Series中常用属性说明1)Series和ndarray中常用属性对比 * ndim 返回Series的维数; * shape 返回Series的形状; * dtype 返回Series中元素的数据类型; * size 返回Series中元素的个数; * itemsize 返回Series中每一个元素占用空间的大小, 以字节为单位; * nbytes 返回Series中所有元素占用空间的大小, 以字节为单位; * T 返回Series的转置结果; #注意:下面这3个属性,在Series中才有。 * index 返回Series中的索引; * values 返回Series中的数值; * name 返回Series的名称 或 返回Series索引的名称; * ndim 返回数组的维数; * shape 返回数组的形状; * dtype 返回数组元素的数据类型; * size 返回数组中元素的个数; * itemsize 返回数组中每一个元素占用空间的大小,以字节为单位; * nbytes 返回数组中所有元素占用空间的大小,以字节为单位; * T 返回数组元素的转置结果;操作如下: s = pd.Series([1,3,5,7,9]) display(s) display(s.ndim) display(s.shape) display(s.dtype) display(s.size) display(s.itemsize) display(s.nbytes) display(s.T)结果如下: 注意: ① 由于Series是一维的结构,因此Series的ndim的值肯定是1; ② 关于itemsize还有nbytes的具体用法,可以参考之前的一篇文章去了解 《手撕numpy(二):各种特性和简单操作》 2)Series中特有的几个属性:index、values、name ① index和values属性 x = pd.Series([1,3,5,7,9]) display(x) display(x.index) display(x.values)结果如下: ② name属性:动态创建Serie名称和Series索引名称 x = pd.Series([1,3,5,7,9]) display(x) x.name = "Series的名称" x.index.name= "Series索引的名称" display(x) display(x.name) display(x.index.name)结果如下: ③ 在创建Series的时候,指定Series名称 y = pd.Series([1,3,5,7,9],index=["a","b","c","d","e"],name="Series的名称") display(y) display(y.index.name) display(y.name)结果如下: 注意:目前可能看不出来,指定这个索引名称的好处在哪里,这个在学习DataFrame的时候,会得到很好的体现。 如果多个series放在了一起,那么必然可以构建成一个dataframe,那么每个series的名称就是构成当前这个dataframe的column。(仔细先体会这段话) 下面,我们先用一个简单的例子,说明一下Serie名称的作用。 从上图中可以看出,In[6]我们先创建了一个dataframe,这个dataframe可以看作是由三个Series堆积而成的。In[8]我们选取了其中一列,那么得到的就是一个Series, In[9]我们获取这个Series的name,可以看出结果就是该列的column列名。 近期文章,点击图片即可查看 后台回复关键词「进群」,即刻加入读者交流群~ |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |