1.Series常用属性
| 属性 | 说明 |
| values | 获取数组 |
| index | 获取索引 |
| name | values的name |
| index.name | 索引的name |
2.Series常用函数
Series可使用ndarray或dict的差不多所有索引操作和函数，集成了ndarray和dict的优点函数 | 说明 |
| Series([x,y,...])Series({'a':x,'b':y,...}, index=param1) | 生成一个Series |
| Series.copy() | 复制一个Series |
Series.reindex([x,y,...], fill_value=NaN) Series.reindex([x,y,...], method=NaN) Series.reindex(columns=[x,y,...]) | 重返回一个适应新索引的新对象，将缺失值填充为fill_value 返回适应新索引的新对象，填充方式为method 对列进行重新索引 |
| Series.drop(index) | 丢弃指定项 |
| Series.map(f) | 应用元素级函数 |
排序函数 | 说明 |
| Series.sort_index(ascending=True) | 根据索引返回已排序的新对象 |
| Series.order(ascending=True) | 根据值返回已排序的对象，NaN值在末尾 |
| Series.rank(method='average', ascending=True, axis=0) | 为各组分配一个平均排名 |
df.argmax() df.argmin() | 返回含有最大值的索引位置 返回含有最小值的索引位置 |
ffill, bfill 向前填充/向后填充
pad, backfill 向前搬运，向后搬运
rank的method选项
'average' 在相等分组中，为各个值分配平均排名
'max','min' 使用整个分组中的最小排名
'first' 按值在原始数据中出现的顺序排名
3.Series常用属性例程
-
# -*- coding: utf-8 -*-
-
"""
-
@author: 蔚蓝的天空Tom
-
Aim:pandas.series常用属性的例程
-
-
属性 说明
-
values 获取数组
-
index 获取索引
-
name values的name
-
index.name 索引的name
-
-
"""
-
-
import pandas
as pd
-
from pandas
import Series
-
if __name__==
'__main__':
-
s = pd.Series([
'Tom',
'Kim',
'Andy'])
-
# 0 Tom
-
# 1 Kim
-
# 2 Andy
-
# dtype: object
-
-
#数值数组
-
s.values
#['Tom' 'Kim' 'Andy']
-
-
#索引序列
-
s.index
#RangeIndex(start=0, stop=3, step=1)
-
-
#values的name
-
s.name
#None
-
-
#索引的name
-
s.index.name
#None
-
-
#设置series的name和index.name
-
s.name =
'Name'
-
s.index.name =
'ID'
-
# ID
-
# 0 Tom
-
# 1 Kim
-
# 2 Andy
-
# Name: Name, dtype: object
-
-
#获取series的name和index.name
-
s.name
#Name
-
s.index.name
#ID
4.Series常用函数例程
4.1创建Series对象
-
# -*- coding: utf-8 -*-
-
"""
-
@author:蔚蓝的天空Tom
-
Aim:实现Series常用函数的例程---生成Series对象
-
-
(1)生成一个Series
-
Series([x,y,...])Series({'a':x,'b':y,...}, index=param1)
-
-
"""
-
-
import pandas
as pd
-
from pandas
import Series
-
-
if __name__==
'__main__':
-
-
#(1)生成一个Series
-
#Series([x,y,...])
-
#Series({'a':x,'b':y,...}, index=param1)
-
-
#数组创建Series，使用默认整数数值行索引
-
s = pd.Series([
'Tom',
'Kim',
'Andy'])
-
# 0 Tom
-
# 1 Kim
-
# 2 Andy
-
# dtype: object
-
-
#数组创建Series，指定行索引index
-
s = pd.Series([
'Tom',
'Kim',
'Andy'], index=[
'No.1',
'No.2',
'No.3'])
-
# No.1 Tom
-
# No.2 Kim
-
# No.3 Andy
-
# dtype: object
-
-
#字典创建Series，使用默认整数数值行索引(索引名称的字典序)
-
data = {
'No.2':
'Tom',
'No.1':
'Kim',
'No.3':
'Andy'}
-
s = pd.Series(data)
-
s.index.name =
'ID'
-
s.name=
'StudentsInfo'
-
# ID
-
# No.1 Kim
-
# No.2 Tom
-
# No.3 Andy
-
# Name: StudentsInfo, dtype: object
-
-
#字典创建Series，指定行索引的排序Index
-
data = {
'No.1':
'Tom',
'No.2':
'Kim',
'No.3':
'Andy'}
-
ind = [
'No.3',
'No.2',
'No.1']
-
s = pd.Series(data, index=ind)
-
# No.3 Andy
-
# No.2 Kim
-
# No.1 Tom
-
# dtype: object
-
-
#字典创建Series，指定行索引的排序index
-
data = {
'No.1':
'Tom',
'No.2':
'Kim',
'No.3':
'Andy'}
-
ind = [
'No.3',
'No.2']
-
s = pd.Series(data, index=ind)
-
# No.3 Andy
-
# No.2 Kim
-
# dtype: object
-
-
#字典创建Series，指定行索引的排序index
-
data = {
'No.1':
'Tom',
'No.2':
'Kim',
'No.3':
'Andy'}
-
ind = [
'No.2',
'No.1',
'No.99']
-
s = pd.Series(data, index=ind)
-
# No.2 Kim
-
# No.1 Tom
-
# No.99 NaN
-
# dtype: object
-
-
#使用pd.isnull(series)判断series对象是否含有NaN数值
-
data = {
'No.1':
'Tom',
'No.2':
'Kim',
'No.3':
'Andy'}
-
ind = [
'No.2',
'No.1',
'No.99']
-
s = pd.Series(data, index=ind)
-
ret = pd.isnull(s)
-
# No.2 False
-
# No.1 False
-
# No.99 True
-
# dtype: bool
-
-
#使用pd.notnull(series)判断series对象是否含有NaN数值
-
data = {
'No.1':
'Tom',
'No.2':
'Kim',
'No.3':
'Andy'}
-
ind = [
'No.2',
'No.1',
'No.99']
-
s = pd.Series(data, index=ind)
-
ret = pd.notnull(s)
-
# No.2 True
-
# No.1 True
-
# No.99 False
-
# dtype: bool
4.2拷贝Series之深拷贝+浅拷贝
-
# -*- coding: utf-8 -*-
-
"""
-
@author:蔚蓝的天空Tom
-
Aim:实现Series常用函数的例程----拷贝Series，深拷贝和浅拷贝
-
-
(2)复制一个Series
-
Series.copy()
-
"""
-
-
import pandas
as pd
-
from pandas
import Series
-
-
if __name__==
'__main__':
-
#(2)复制一个Series
-
#Series.copy()
-
s = pd.Series([
'Tom',
'Kim',
'Andy'], index=[
'No.1',
'No.2',
'No.3'])
-
# No.1 Tom
-
# No.2 Kim
-
# No.3 Andy
-
# dtype: object
-
-
#深拷贝series
-
cpys = s.copy(deep=
True)
-
cpys[
'No.1'] =
'xxx'
-
#print(cpys)
-
# No.1 xxx
-
# No.2 Kim
-
# No.3 Andy
-
# dtype: object
-
-
#print(s)
-
# No.1 Tom
-
# No.2 Kim
-
# No.3 Andy
-
# dtype: object
-
-
#浅拷贝series
-
cpys = s.copy(deep=
False)
-
cpys[
'No.1'] =
'xxx'
-
#print(cpys)
-
# No.1 xxx
-
# No.2 Kim
-
# No.3 Andy
-
# dtype: object
-
-
#print(s)
-
# No.1 xxx
-
# No.2 Kim
-
# No.3 Andy
-
# dtype: object
4.3reindex函数
-
# -*- coding: utf-8 -*-
-
"""
-
@author:蔚蓝的天空Tom
-
Aim:实现Series常用函数的例程---series.reindex()适应新索引的新对象，不修改源对象，返回新对象
-
-
(3)重返回一个适应新索引的新对象，将缺失值填充为fill_value
-
Series.reindex([x,y,...], fill_value=NaN)
-
-
(4)返回适应新索引的新对象，填充方式为method
-
Series.reindex([x,y,...], method=NaN)
-
-
(5)对列进行重新索引
-
Series.reindex(columns=[x,y,...])
-
"""
-
-
import pandas
as pd
-
from pandas
import Series
-
-
if __name__==
'__main__':
-
#Series.reindex([x,y,...])重返回一个适应新索引的新对象，缺失索引对应数值使用默认值NaN
-
s = pd.Series([
'Tom',
'Kim',
'Andy'], index=[
'No.1',
'No.2',
'No.3'])
-
rs = s.reindex([
'No.0',
'No.1',
'No.2',
'No.3',
'No.4'])
-
#No.0 NaN
-
#No.1 Tom
-
#No.2 Kim
-
#No.3 Andy
-
#No.4 NaN
-
#dtype: object
-
-
#Series.reindex([x,y,...], fill_value=NaN)重返回一个适应新索引的新对象，缺失索引对应数值使用指定值
-
s = pd.Series([
'Tom',
'Kim',
'Andy'], index=[
'No.1',
'No.2',
'No.3'])
-
rs = s.reindex([
'No.0',
'No.1',
'No.2',
'No.3',
'No.4'], fill_value=
'XXX')
-
#No.0 XXX
-
#No.1 Tom
-
#No.2 Kim
-
#No.3 Andy
-
#No.4 XXX
-
#dtype: object
-
-
#(4)Series.reindex([x,y,...], method=NaN) 返回适应新索引的新对象，填充方式为method
-
#ffill或pad: 前向（或进位）填充
-
#bfill或backfill: 后向（或进位）填充
-
s = pd.Series([
'Tom',
'Kim',
'Andy'], index=[
'No.1',
'No.2',
'No.3'])
-
rs = s.reindex([
'No.0',
'No.1',
'No.4',
'No.5'], method=
'ffill')
#method='pad'同效果
-
#No.0 NaN
-
#No.1 Tom
-
#No.4 Andy #因为前向填充(取No.3的值Andy作为填充值)
-
#No.5 Andy #取No.4的值作为填充值
-
#dtype: object
-
-
s = pd.Series([
'Tom',
'Kim',
'Andy'], index=[
'No.1',
'No.2',
'No.3'])
-
rs = s.reindex([
'No.0',
'No.1',
'No.4',
'No.5'], method=
'bfill')
-
#No.0 Tom #因为后向填充(取No.1的值Tom作为填充值)
-
#No.1 Tom
-
#No.4 NaN
-
#No.5 NaN
-
#dtype: object
4.4drop()方法
-
# -*- coding: utf-8 -*-
-
"""
-
@author:蔚蓝的天空Tom
-
Aim:实现Series常用函数的例程---drop()方法，丢弃指定项，不修改对源对象内容，返回新对象
-
-
(6)丢弃指定项
-
Series.drop(index)
-
-
"""
-
-
import pandas
as pd
-
from pandas
import Series
-
-
if __name__==
'__main__':
-
#(6)丢弃指定项Series.drop(index)
-
s = pd.Series([
'Tom',
'Kim',
'Andy'], index=[
'No.1',
'No.2',
'No.3'])
-
#删除一个元素，由索引号指定
-
ds = s.drop(
'No.1')
-
#No.2 Kim
-
#No.3 Andy
-
#dtype: object
-
-
data = {
'Name':{
'No.1':
'Tom',
'No.2':
'Kim',
'No.3':
'Andy'},
-
'Age':{
'No.1':
18,
'No.2':
16,
'No.3':
19}}
-
df = pd.DataFrame(data)
-
# Age Name
-
#No.1 18 Tom
-
#No.2 16 Kim
-
#No.3 19 Andy
-
-
#删除指定行
-
ds = df.drop(
'No.1')
-
# Age Name
-
#No.2 16 Kim
-
#No.3 19 Andy
-
-
#删除指定列，可以产出多列，序列中指出就可以['Age','Name']
-
ds = df.drop([
'Age'], axis=
1)
-
# Name
-
#No.1 Tom
-
#No.2 Kim
-
#No.3 Andy
4.5series.map(func)元素函数向量化
-
# -*- coding: utf-8 -*-
-
"""
-
@author:蔚蓝的天空Tom
-
Aim:实现Series常用函数的例程---应用元素级函数series.map(func)，不修改源对象，返回新对象
-
(7)应用元素级函数
-
Series.map(f)
-
-
"""
-
-
import math
-
import pandas
as pd
-
from pandas
import Series
-
-
if __name__==
'__main__':
-
#(7)应用元素级函数Series.map(f)
-
func =
lambda x:x*
2
-
s = pd.Series([
1,
3,
5], index=[
'No.1',
'No.2',
'No.3'])
-
ms = s.map(func)
-
#No.1 2
-
#No.2 6
-
#No.3 10
-
#dtype: int64
-
-
ms = s.map(np.exp)
-
#No.1 2.718282
-
#No.2 20.085537
-
#No.3 148.413159
-
#dtype: float64
-
-
ms = s.map(math.exp)
-
#No.1 2.718282
-
#No.2 20.085537
-
#No.3 148.413159
-
#dtype: float64
4.6 series排序函数
-
# -*- coding: utf-8 -*-
-
"""
-
@author: 蔚蓝的天空Tom
-
Aim：实现Series常用函数的例程---series对象排序方法
-
-
Series.sort_index(ascending=True) 根据索引返回已排序的新对象
-
Series.order(ascending=True) 根据值返回已排序的对象，NaN值在末尾
-
Series.rank(method='average', ascending=True, axis=0) 为各组分配一个平均排名
-
df.argmax()
-
-
df.argmin()
-
-
返回含有最大值的索引位置
-
-
返回含有最小值的索引位置
-
-
reindex的method选项：
-
ffill, bfill 向前填充/向后填充
-
pad, backfill 向前搬运，向后搬运
-
rank的method选项
-
'average' 在相等分组中，为各个值分配平均排名
-
'max','min' 使用整个分组中的最小排名
-
'first' 按值在原始数据中出现的顺序排名
-
"""
-
-
import pandas
as pd
-
from pandas
import Series
-
-
if __name__==
'__main__':
-
-
#索引升序排序，Series.sort_index(ascending=True) ，默认True
-
s = pd.Series([
6,
2,
8], index=[
'No.1',
'No.2',
'No.3'])
-
ss = s.sort_index(ascending=
True)
-
#No.1 6
-
#No.2 2
-
#No.3 8
-
#dtype: int64
-
-
#索引降序排序，Series.sort_index(ascending=Flase)
-
ss = s.sort_index(ascending=
False)
-
#No.3 8
-
#No.2 2
-
#No.1 6
-
#dtype: int64
-
-
#数值升序排序 Series.sort_values(ascending=True) ，默认True
-
s = pd.Series([
6,
2,
8], index=[
'No.1',
'No.2',
'No.3'])
-
so = s.sort_values(ascending=
True)
-
#No.2 2
-
#No.1 6
-
#No.3 8
-
#dtype: int64
-
-
#数值降序排序 Series.sort_values(ascending=False)
-
so = s.sort_values(ascending=
False)
-
#No.3 8
-
#No.1 6
-
#No.2 2
-
#dtype: int64
-
-
-
4.7rank()排名方法
-
# -*- coding: utf-8 -*-
-
"""
-
@author: 蔚蓝的天空Tom
-
Aim:实现Series的排名方法例程---series.rank()
-
Aim:注意区分排名和排序的区别， 排名是按照排序(降序/升序)结果，用排名数值(1~n)，替换数值，则每个数值对应一个排名
-
#排名（Series.rank(method='average', ascending=True)）的作用与排序的不同之处是：
-
#他会把对象的 values 替换成名次（从 1 到 n），问题待解决问题：如何处理平级项，
-
#method 参数有四个值可选：average, min, max, first来处理评级项问题。
-
Note:此处排序采用升序排序，然后排名以升序排序的结果进行排名。对降序排序的排名道理都是一样的，此处不予展示了。
-
"""
-
-
import pandas
as pd
-
from pandas
import Series
-
-
if __name__==
'__main__':
-
s = pd.Series([
6,
9,
6,
2])
-
s.index.name=
'ID'
-
#ID
-
#0 6
-
#1 9
-
#2 6
-
#3 2
-
-
#平均排名，rank()的method默认为average，如果存在评级项，则排名为名次/m,m为评级项元素个数
-
sr = s.rank()
-
#ID
-
#0 2.5 #两个6，排名2和3，平均排名为2.5
-
#1 4.0
-
#2 2.5 #两个6，排名2和3，平均排名为2.5
-
#3 1.0
-
-
#平均排名，显示调用method=average
-
sr = s.rank(method=
'average')
-
#ID
-
#0 2.5
-
#1 4.0
-
#2 2.5
-
#3 1.0
-
#dtype: float64
-
-
#最小值排名
-
sr = s.rank(method=
'min')
-
#ID
-
#0 2.0 #两个6，排名2和3，最小排名都为2
-
#1 4.0
-
#2 2.0 #两个6，排名2和3，最小排名都为2
-
#3 1.0
-
#dtype: float64
-
-
#最大值排名
-
sr = s.rank(method=
'max')
-
#ID
-
#0 3.0 #两个6，排名2和3，最大排名都为3
-
#1 4.0
-
#2 3.0 #两个6，排名2和3，最大排名都为3
-
#3 1.0
-
#dtype: float64
-
-
#第一排名
-
sr = s.rank(method=
'first')
-
#ID
-
#0 2.0 #两个6，排名2和3，first排名时第一个6排名取2
-
#1 4.0
-
#2 3.0 #两个6，排名2和3，first排名时第二个6排名取3
-
#3 1.0
-
#dtype: float64
4.8最大值/最小值的行索引方法argmin()、argmax()
-
# -*- coding: utf-8 -*-
-
"""
-
@author: 蔚蓝的天空Tom
-
Aim：Series中最大(最小)数值的索引方法例程----argmax()、argmin()
-
df.argmax() 返回含有最大值的索引位置
-
df.argmin() 返回含有最小值的索引位置
-
"""
-
-
import pandas
as pd
-
from pandas
import Series
-
-
if __name__==
'__main__':
-
s = pd.Series([
6,
8,
9,
2], index=[
'No.1',
'No.2',
'No.3',
'No.4'])
-
#No.1 6
-
#No.2 8
-
#No.3 9
-
#No.4 2
-
#dtype: int64
-
-
ind = s.argmax()
-
#No.3
-
ind = s.argmin()
-
#No.4
-
v = ss[ss.argmin()]
-
#2
-
v = ss.min()
-
#2
-
-
#排序对argmin()、argmax()结果没有影响
-
ss = s.sort_values(ascending=
False)
-
#No.3 9
-
#No.2 8
-
#No.1 6
-
#No.4 2
-
#dtype: int64
-
ind =ss.argmax()
-
#No.3
-
v = ss[ss.argmax()]
-
#9
-
v = ss.max()
-
#9
(end)
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
