《Python for Data Analysis》之 Series

pandas的主要数据结构:Series

Pandas所能满足的需求:

  • 具备按轴自动或显式数据对齐功能的数据结构。这可以防止许多由于数据未对齐以及来自不同数据源(索引方式不同)的数据而导致的常见错误。

  • 集成时间序列功能

  • 既能处理时间序列数据也能处理非时间序列的数据

  • 数据运算和约简(比如对某个轴求和)可以根据不同的元数据(轴)编号执行。

  • 灵活处理缺失数据

  • 合并及其他出现在常见数据库中的关系型运算

Series是一种类似一维数组的对象,它由一组数据(各种Numpy数据类型)以及一组与之相关的数据标签(即索引)组成

Series的组成要素为两点:1.一组数据 2.与之对应的索引
创建:Series([data],index=[index])

"Data可以是列表(省略index)"
obj = Series([3,4,-5,6])

"通过Python字典创建:键值自动作为索引"
sdata = {'a':3,'b':4,'c':-5,'d':6}
obj = Series(sdata)

"自定义索引"
obj = Series([3,4,-5,6],index=['a','b','c','d'])

应用:Series的方法

"通过索引选取单个值"
In [7]: obj['a']
Out[7]: 3
"通过索引选取一组值"
In [8]: obj[['a','c','d']]
Out[8]: 
a    3
c   -5
d    6
"数据组运算(Series可以看作一维数组),保留索引和值之间的链接"
obj[obj > 0]
obj[obj*2]
np.exp(obj2)
"还可以将Series当作一个定长的有序字典"
In [9]: "b" in obj
Out[9]: True

In [10]: "e" in obj
Out[10]: False

"Series实例方法"
In [10]: obj.isnull()  #检测缺失数据

"Series的索引可以通过赋值的方式就地修改"

In [11]: obj.index = ['Bob','Steve','Jeff','Ryan']

Out[12]: 
Bob      3
Steve    4
Jeff    -5
Ryan     6
dtype: int64
    原文作者:libydwei
    原文地址: https://segmentfault.com/a/1190000007020417
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞