series选取值_pandas series取值_Python技能 | Pandas数据分析

1、什么是Pandas

当大家谈论到数据分析时，提及最多的语言就是Python和SQL，而Python之所以适合做数据分析，就是因为他有很多强大的第三方库来协助，pandas就是其中之一，它是基于Numpy构建的，正因pandas的出现，让Python语言也成为使用最广泛而且强大的数据分析环境之一。如果说没有pandas的出现，目前的金融数据分析领域还应该是R语言的天下。

2、Pandas能干什么

Pandas的主要功能：

具备对应其功能的数据结构DataFrame，Series集成时间序列功能提供丰富的数学运算和操作灵活处理缺失数据.....

以上就是pandas能完成的一些基础操作，当然并不完全，下面就来看看pandas到底是怎么用的。

3、怎么用Pandas

安装方法：

pip install pandas

引用方法：

import pandas as pd

3.1、Series

Series是一种类似于一维数组的对象，由一组数据和一组与之相关的数据标签(索引)组成。在数据分析的过程中非常常用。

3.1.1、创建方法

第一种：

pd.Series([4,5,6,7,8])

执行结果：

0    4

1    5

2    6

3    7

4    8

dtype: int64

# 将数组索引以及数组的值打印出来，索引在左，值在右，由于没有为数据指定索引，于是会自动创建一个0到N-1(N为数据的长度)的整数型索引，取值的时候可以通过索引取值，跟之前学过的数组和列表一样

-----------------------------------------------

第二种：

pd.Series([4,5,6,7,8],index=['a','b','c','d','e'])

执行结果：

a    4

b    5

c    6

d    7

e    8

dtype: int64

# 自定义索引，index是一个索引列表，里面包含的是字符串，依然可以通过默认索引取值。

-----------------------------------------------

第三种：

pd.Series({"a":1,"b":2})

执行结果：

a    1

b    2

dtype: int64

# 指定索引

-----------------------------------------------

第四种：

pd.Series(0,index=['a','b','c'])

执行结果：

a    0

b    0

c    0

dtype: int64

# 创建一个值都是0的数组

-----------------------------------------------

对于Series，其实我们可以认为它是一个长度固定且有序的字典，因为它的索引和数据是按位置进行匹配的，像我们会使用字典的上下文，就肯定也会使用Series

3.1.2、缺失数据

dropna() # 过滤掉值为NaN的行fill() # 填充缺失数据isnull() # 返回布尔数组，缺失值对应为Truenotnull() # 返回布尔数组，缺失值对应为False

# 第一步，创建一个字典，通过Series方式创建一个Series对象

st = {"sean":18,"yang":19,"bella":20,"cloud":21}

obj = pd.Series(st)

obj

运行结果：

sean     18

yang     19

bella    20

cloud    21

dtype: int64

------------------------------------------

# 第二步

a = {'sean','yang','cloud','rocky'}  # 定义一个索引变量

------------------------------------------

#第三步

obj1 = pd.Series(st,index=a)

obj1  # 将第二步定义的a变量作为索引传入

# 运行结果：

rocky     NaN

cloud    21.0

sean     18.0

yang     19.0

dtype: float64

# 因为rocky没有出现在st的键中，所以返回的是缺失值

通过上面的代码演示，对于缺失值已经有了一个简单的了解，接下来就来看看如何判断缺失值

1、

obj1.isnull()  # 是缺失值返回Ture

运行结果：

rocky     True

cloud    False

sean     False

yang     False

dtype: bool

2、

obj1.notnull()  # 不是缺失值返回Ture

运行结果：

rocky    False

cloud     True

sean      True

yang      True

dtype: bool

3、过滤缺失值 # 布尔型索引

obj1[obj1.notnull()]

运行结果：

cloud    21.0

yang     19.0

sean     18.0

dtype: float64

3.1.3、Series特性

import numpy as np

import pandas as pd

从ndarray创建Series:Series(arr)

arr = np.arange(10)

sr = pd.Series(arr)  # ndarray创建Series

与标量(数字)进行运算：sr * 2

srx = sr * 2  # 与标量(数字)进行运算

两个Series运算

sr * srx  # 两个Series运算

布尔值过滤：sr[sr>0]

sr[sr>3]  # 布尔值过滤

统