pandas（1）Series

最新推荐文章于 2024-09-17 23:15:58 发布

演技拉满的白马

最新推荐文章于 2024-09-17 23:15:58 发布

阅读量308

点赞数 2

分类专栏： python 文章标签： pandas python 数据分析

本文链接：https://blog.csdn.net/qq_34786604/article/details/126627359

版权

python 专栏收录该内容

31 篇文章 5 订阅

订阅专栏

pandas Series

讲pandas的人好多啊。

所以我应该会强调重点，并且侧重实践。琐碎的细节交给其他的小伙伴吧

大家可以用jupter来实操。

本节阅读需10min,实践需10min。

前言

pandas 是基于NumPy 的一种工具，该工具是为解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。

numpy，pandas是为了替换MATLAB的基础数据。

pandas侧重在二维数据的处理。也就是Excel数据或者数据库数据。

一、pandas基础

pandas和numpy一样作为python数据分析以及高大上的人工智能的基础。
pandas是基于numpy的，但是又不止于numpy。添加了索引和更全面的统计工具库。
pandas主要处理二维数据，numpy主要处理一维数据，就正常使用而言。人工智能肯定都是高维运算。

安装

pip install pandas

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

数据处理三剑客。

二、Series的声明

pandas.Series( data, index, dtype, name, copy)

name：设置名称。意义不大。

Series也是用来存储一维数据的数据结构。和ndarray不同之处在于。
Series增加了一层关系，或者称为意义的东西。

import pandas as pd
s = pd.Series(data, index=index)

index一般而言是有意义的。比如如果data是成绩，那么index可以是学生的姓名。

Here, data can be many different things:

a Python dict

an ndarray

a scalar value (like 5)

也就是说可以这么初始化。

dict很容易理解，都是存储的关系嘛。

d = {"a": 0.0, "b": 1.0, "c": 2.0}

pd.Series(d)
Out[10]: 
a    0.0
b    1.0
c    2.0
dtype: float64

最主要的方式还是ndarray,
index一般是有意义的字符串。

s = pd.Series(np.random.randn(5), index=["a", "b", "c", "d", "e"])

直接存储常量列表，会自动安排index。自然数编码

pd.Series(np.random.randn(5))
# 
0   -0.173215
1    0.119209
2   -1.044236
3   -0.861849
4   -2.104569
dtype: float64

三、Series的常见操作

Series的操作其实和ndarray高度相似。
重要程度反而不如ndarray。

s = pd.Series(np.random.randn(5), index=["a", "b", "c", "d", "e"])
s.index # 获得索引列表，index对象
s.dtype # 类型
s[0] # 索引
s[:3] # 切片
s[s > s.median()] # 筛选器
s[[4, 3, 1]] # 列表索引
np.exp(s) # 可以作为ndarray计算，四则运算自然也是可以的

s.to_numpy() # 返回ndarray
s["a"] # index索引
s.get("f", np.nan) # 如果没有填充缺省值
s[1:] + s[:-1] # 根据index对齐运算，取并集，并填充 np.nan
a         NaN
b   -0.565727
c   -3.018117
d   -2.271265
e         NaN
dtype: float64