Python数据分析 Pandas Series对象操作

一、Pandas Series对象

Pandas 是基于 NumPy 设计实现的 Python 数据分析库，Pandas 提供了大量的能让我们高效处理数据的函数和方法，也纳入了很多数据处理的库以及一些数据模型，可以说非常强大。

可以使用以下命令进行安装：

conda install pandas
# 或
pip install pandas

Series数据结构

Pandas 最常用的数据结构主要有两种：Series 和 DataFrame，这篇文章主要介绍一下Series及如何创建Series对象。

Series 是一维数组，由一列索引index和一列值values组成，索引和值是一一对应的，可以存储不同种类的数据类型，字符串、布尔值、数字、Python对象等都可以。

创建Series对象

创建Series对象的格式如下：

s = pd.Series(data, index)

参数data为数据，可以是字典、列表、Numpy的 ndarray 数组等；
参数index为索引，值必须唯一，类似于Python字典的键，可以不传，默认为从0开始递增的整数。

从列表创建：

data = ["a", "b", "c", "d", "e"]
s = pd.Series(data)
s

从字典创建：

当data为字典时，如果没有传入索引的话，会按照字典的键来构造索引，索引对应的值就是字典的键对应的值。

data = {"a": 1, "b": 2, "c": 3}
s = pd.Series(data)
s

结果输出如下：

a    1
b    2
c    3
dtype: int64

从 ndarray 数组创建：

ndarray 为Numpy 的数组类型，在Python数据分析 Numpy 的使用方法的文章已经介绍过。

data = np.array([1, 2, 3, 4])
s = pd.Series(data)
s

我们可以通过创建的Series对象，调用相应的属性和方法来进行数据的处理分析等。下面继续来看Series对象的基本操作

二、Series对象的基本操作

Series 常用属性

• index：获取索引
• values：获取数组
• size：获取元素数量
• dtype：获取对象的数据类型

获取索引及修改索引：

data = ["a", "b", "c", "d"]
s = pd.Series(data)
print(s.index)
s.index = ["A", "B", "C", "D"]
print(s.index)

结果输出如下：

RangeIndex(start=0, stop=4, step=1)
Index(['A', 'B', 'C', 'D'], dtype='object')

指定索引对应元素的获取、修改及删除：

Series 通过索引获取、修改及删除对应元素和Python字典的操作有些类似，具体使用方法如下：

# 获取数据
print(s["A"])
# 修改数据
s['A'] = 99
# 删除数据
s = s.drop("B")
s

另外，Series 也支持通过筛选条件获取数据，例如获取能被2整除的数据：

data = np.array([1, 2, 3, 4])
s = pd.Series(data)
s[s%2==0]

Series 切片：

Series 切片操作同Python列表的切面也是类似的，如下：

s[0:3] 

表示取第0、1、2个数据。

也可以使用索引值来进行切片，例如获取索引值B-D的值：

s["B":"D"]
复制代码

Series 常用方法

• head(n)：返回前n行数据，默认前5行
• tail(n)：返回后n行数据，默认后5行
• isnull()&nonull()：判断是否为空，返回True和False
• sort_values()：排序，通过传递ascending参数来确定升序or降序，默认为True，表示升序
• dropna()：删除空值

Series 运算

统计信息：

可以通过describe()方法获取统计信息，如下：

也可以通过如下方法分别获取：

• min()：获取最小值
• max()：获取最大值
• mean()：获取均值
• median()：获取中位数
• sum()：获取总和
• count()：获取总数
• ······

四则运算：

s+2  # 对每个元素进行+2
s*100  # 对每个元素乘100

也可以调用如下方法进行：加法add()、减法sub()、乘法mul()、除法div()。