pandas series取值_Python | Pandas

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 41 52 63 74 8dtype: 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 4b 5c 6d 7e 8dtype: 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 1b 2dtype: int64# 指定索引-----------------------------------------------第四种：pd.Series(0,index=['a','b','c'])执行结果：a 0b 0c 0dtype: 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True
• notnull() # 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 18yang 19bella 20cloud 21dtype: 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 NaNcloud 21.0sean 18.0yang 19.0dtype: 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 Truecloud Falsesean Falseyang Falsedtype: bool2、obj1.notnull() # 不是缺失值返回Ture运行结果：rocky Falsecloud Truesean Trueyang Truedtype: bool3、过滤缺失值 # 布尔型索引obj1[obj1.notnull()]运行结果：cloud 21.0yang 19.0sean 18.0dtype: float64

3.1.3、Series特性

import numpy as npimport 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

• 统计函数：mean()、sum()、cumsum()

# 统计函数sr.mean()sr.sum()sr.cumsum()

3.1.4、支持字典的特性

• 从字典创建Series：Series(dic),

dic = {"A":1,"B":2,"C":3,"D":4,"E":5}# 字典创建Seriesdic_arr = pd.Series(dic) 

• In运算：'a'in sr、for x in sr

"A" in dic_arr------------------------------for i in dic_arr:  print(i)

• 键索引：sr['a'],sr[['a','b','d']]

dic_arr[['A','B']] # 键索引

• 键切片：sr['a':'c']

dic_arr['A':'C'] # 键切片

• 其他函数：get('a',default=0)等

dic_arr.get("A