pandas基础学习笔记-Series

1.1 pandas数据结构介绍

pandas有两种常用数据结构Series及DataFrame

1.1.1 Series

Series是一种一维的数组型对象，它包含了一个值序列，并包含了数据标签，成为索引(index)。

import pandas as pd
obj = pd.Series([1,2,3,4,5])
# Out:
#    0    1
#    1    2
#    2    3
#    3    4
#    4    5
#    dtype: int64

索引在左边，值在右边，如果不指定数组索引，默认生成的索引是从0~N-1，N是数组的长度，可以通过values和index属性分别获取Series对象的值和索引

obj.values # array([1, 2, 3, 4, 5], dtype=int64)
ojb.index  # RangeIndex(start=0, stop=5, step=1)

可以在创Series对象的时候通过Index属性自定义索引序列

obj2 = pd.Series([4,7,-1,3],index=["a","b","c","d"])
#Out:
#    a    4
#    b    7
#    c   -1
#    d    3
#    dtype: int64

可以通过标签进行索引

obj2["a"] # 4
obj2[["a","b","c"]]
# a  4
# b  7
# c -1

索引与数据的连接关系不被运算结果所影响
从另一个角度考虑，可以认为它是一个长度固定且有序的字典，因为它将索引值和数据按位置进行配对

“b” in obj2 # Out：True
"e" in obj2 # Out: False

可以使用字典生成一个Series

sdata = {"a":1,"b":2,"c":3}
obj3 = pd.Series(sdata,index["b","a","c","d"])
#按照想要的顺序设置索引，NAN表示缺失值，索引d不在sdata内，没有对应的数值
#Out
#b    2.0
#a    1.0
#c    3.0
#d    NaN

在pandas中使用isnull和notnull函数来检查缺失数据

obj3.isnull()
#b    False
#a    False
#c    False
#d     True
#dtype: bool
obj3.notnull()
#b     True
#a     True
#c     True
#d    False
#dtype: bool

Series对象自身和其索引都有name属性

obj3.name = 'demo'
obj3.index.name = 'number'
#number
#b    2.0
#a    1.0
#c    3.0
#d    NaN
#Name: demo, dtype: float64

Series的索引可以通过按照位置赋值的方式进行改变

obj3.index = [1,2,3,4]
obj3
#1    2.0
#2    1.0
#3    3.0
#4    NaN

关于Series的特性还有很多，这里简单的介绍了一下它的基础部分。