display属性_Series(一)：Series的创建方式和常用属性说明

最新推荐文章于 2021-04-22 10:17:22 发布

weixin_39640372

最新推荐文章于 2021-04-22 10:17:22 发布

阅读量250

点赞数

文章标签： display属性 series 通过值返回index series合并成dataframe series获取索引创建索引名称已由现有对象使用

作者丨黄伟呢来源丨凹凸数据大家好，我是黄同学

今天给大家介绍Series的创建方式和常用属性说明。

1、list、ndarray、Series的简单比较

① list列表，列表中的元素可以是不同的数据类型，使用从0开始的整数值作为默认索引； ② ndarray数组，数组中的元素必须是同种数据类型，也是使用从0开始的整数值作为默认索引； ③ Series序列，是一种一维的结构，类似于一维列表和ndarray中的一维数组，但是功能比他们要更为强大，Series由两部分组成：索引index和数值values； ④ 一维列表和一维数组中都是采用从0开始的整数值作为默认索引，索引值一般不显示的给出，但是我们可以通过索引去获取其中的元素。对于Series来说，默认索引也是从0开始的整数值作为默认索引，但是是显示地给出，更为强大的是，Series中的索引可以随意设置，方便我们取数。操作如下：

 import numpy as npimport pandas as pd
 l1 = [1,2,"中国",4.5]
 display(l1)
 display(l1[2])
 a1 = np.array([1,2,5,6,8])
 display(a1)
display(a1[4])
s1 = pd.Series([1,3,5,7,9])
display(s1)
display(s1[4])
s2 = pd.Series([1,3,5,7,9],index=["a","b","c","d","e"])
display(s2)
display(s2["d"])
display(s2[3])
s3 = pd.Series([1,3,5,7,9],index=[3,4,5,6,7])
display(s3)
display(s3[6])

结果如下：

通过上述测试，我们可以总结出来这第5条结论： ⑤ 创建Series序列时，当不指定索引的时候，默认会生成从0开始的整数索引；当指定了“字符串索引”(也叫“标签索引”)，既可以通过这个字符串索引访问元素，也可以通过原有的从0开始的整数索引访问元素；当指定一个“整数索引”，那么该索引会覆盖掉原有的默认的整数索引，只能通过这个新的整数索引访问元素，默认的整数索引会失效。

2、Series的5种常用创建方式

语法：创建Series的语法：pd.Series()
常用参数：index，用于指定新的索引；dtype，用于指定元素的数据类型；
大前提：要记住Series是一个一维的结构！！！
注意：当你指定了索引，系统会使用这个指定索引；当你没有指定索引，系统会默认给我们创建索引。

1)通过一维列表创建Series

x = [1,3,5,7,9]
y = pd.Series(x)
display(y)
y1 = pd.Series(x,index=["a","b","c","d","e"],dtype=np.float32)
display(y1)

结果如下：

2)通过可迭代对象创建Series

x = range(2,7)
y = pd.Series(x)
display(y)

结果如下：

3)通过字典创建Series

x = dict(a=22,b=18,c=35)
y = pd.Series(x)
display(y)
x1 = pd.Series({"a":1,"b":2,"c":3})
display(x1)

结果如下：

4)通过一维数组创建Series

x = np.arange(1,6)
y = pd.Series(x)
display(y)

结果如下：

5)通过标量(常数)创建Series

x = 22
y1 = pd.Series(x)
display(y1)
y2 = pd.Series(x,index=list(range(5)))
display(y2)

结果如下：

注意：创建一个含有相同元素的Series，元素的个数取决于我们设置的索引的个数。

3、Series中常用属性说明

1)Series和ndarray中常用属性对比

 * ndim          返回Series的维数；
 * shape         返回Series的形状；
 * dtype         返回Series中元素的数据类型；
 * size          返回Series中元素的个数；
 * itemsize      返回Series中每一个元素占用空间的大小，
                 以字节为单位；
 * nbytes        返回Series中所有元素占用空间的大小，
                 以字节为单位；
 * T             返回Series的转置结果；#注意：下面这3个属性，在Series中才有。
* index         返回Series中的索引；
* values        返回Series中的数值；
* name          返回Series的名称  或  返回Series索引的名称；

* ndim          返回数组的维数；
* shape         返回数组的形状；
* dtype         返回数组元素的数据类型；
* size          返回数组中元素的个数；
* itemsize      返回数组中每一个元素占用空间的大小，以字节为单位；
* nbytes        返回数组中所有元素占用空间的大小，以字节为单位；
* T             返回数组元素的转置结果；

操作如下：

s = pd.Series([1,3,5,7,9])
display(s)
display(s.ndim)
display(s.shape)
display(s.dtype)
display(s.size)
display(s.itemsize)
display(s.nbytes)
display(s.T)

结果如下：

注意： ① 由于Series是一维的结构，因此Series的ndim的值肯定是1； ② 关于itemsize还有nbytes的具体用法，可以参考之前的一篇文章去了解《手撕numpy(二)：各种特性和简单操作》 2)Series中特有的几个属性：index、values、name ① index和values属性

x = pd.Series([1,3,5,7,9])
display(x)
display(x.index)
display(x.values)

结果如下：

② name属性：动态创建Serie名称和Series索引名称

x = pd.Series([1,3,5,7,9])
display(x)
x.name = "Series的名称"
x.index.name= "Series索引的名称"
display(x)
display(x.name)
display(x.index.name)

结果如下：

③ 在创建Series的时候，指定Series名称

y = pd.Series([1,3,5,7,9],index=["a","b","c","d","e"],name="Series的名称")
display(y)
display(y.index.name)
display(y.name)

结果如下：

注意：目前可能看不出来，指定这个索引名称的好处在哪里，这个在学习DataFrame的时候，会得到很好的体现。如果多个series放在了一起，那么必然可以构建成一个dataframe，那么每个series的名称就是构成当前这个dataframe的column。(仔细先体会这段话) 下面，我们先用一个简单的例子，说明一下Serie名称的作用。