Pandas Series自定义索引和标签

于 2025-02-14 07:47:54 发布
阅读量669 收藏 21
点赞数 12
文章标签： pandas python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44705554/article/details/145624467
版权

1. Pandas Series自定义索引和标签

在 Pandas 中，Series 是一种类似于一维数组的数据结构，但它比普通的 NumPy 数组更灵活，因为它支持自定义索引（index）。你可以使用自定义标签作为索引，而不是默认的整数索引，这使得数据访问和操作更加直观和便捷。

1. 创建带有默认索引的 Pandas Series

默认情况下，Pandas Series 会使用整数作为索引（从 0 开始）。

import pandas as pd

# 创建 Series，未指定索引，默认使用 0,1,2,3,4
data = pd.Series([10, 20, 30, 40, 50])
print(data)

输出：

0    10
1    20
2    30
3    40
4    50
dtype: int64

2. 创建带有自定义索引的 Series

你可以在创建 Series 时指定索引，使其更具可读性。

data = pd.Series([10, 20, 30, 40, 50], index=['A', 'B', 'C', 'D', 'E'])
print(data)

输出：

A    10
B    20
C    30
D    40
E    50
dtype: int64

现在，我们可以通过索引标签访问数据，而不仅仅是整数索引。

3. 访问自定义索引的元素

（1）使用索引标签访问数据

print(data['A'])  # 输出 10
print(data['C'])  # 输出 30

（2）使用 .loc[] 访问数据

.loc[] 方法用于基于标签索引访问数据：

print(data.loc['B'])  # 输出 20

（3）使用 .iloc[] 按整数位置访问数据

即使你使用了自定义索引，你仍然可以使用 .iloc[] 按照整数位置进行访问：

print(data.iloc[2])  # 输出 30，因为 C 在第三个位置（索引从 0 开始）

4. 修改索引

如果你想要修改 Series 的索引，可以使用 index 属性：

data.index = ['X', 'Y', 'Z', 'W', 'V']
print(data)

输出：

X    10
Y    20
Z    30
W    40
V    50
dtype: int64

5. 重新索引（reindex）

reindex() 方法用于更改索引，并可以自动填充缺失值。

new_index = ['A', 'B', 'C', 'D', 'E', 'F']
new_data = data.reindex(new_index, fill_value=0)
print(new_data)

输出：

A    10
B    20
C    30
D    40
E    50
F     0
dtype: int64

fill_value=0 指定对于新添加的索引（如 ‘F’），填充 0。

6. 使用字典创建带索引的 Series

你可以使用 Python 字典创建 Series，其中字典的键将自动成为索引。

data = pd.Series({'Apple': 5, 'Banana': 3, 'Cherry': 7})
print(data)

输出：

Apple     5
Banana    3
Cherry    7
dtype: int64

7. 检测索引是否存在

你可以检查某个索引是否存在于 Series 中：

print('Apple' in data)   # True
print('Mango' in data)   # False

8. 删除索引项

你可以使用 drop() 方法删除某个索引项：

data = data.drop('Banana')
print(data)

输出：

Apple     5
Cherry    7
dtype: int64

9. 索引排序

使用 sort_index() 对 Series 进行索引排序：

data = pd.Series({'Banana': 3, 'Cherry': 7, 'Apple': 5})
sorted_data = data.sort_index()
print(sorted_data)

输出：

Apple     5
Banana    3
Cherry    7
dtype: int64

默认情况下是按字母升序排列，若要降序排列：

sorted_data = data.sort_index(ascending=False)
print(sorted_data)

输出：

Cherry    7
Banana    3
Apple     5
dtype: int64

10. 索引重命名

可以使用 rename() 方法重命名索引：

data = data.rename(index={'Banana': 'Yellow Fruit', 'Cherry': 'Red Fruit'})
print(data)

输出：

Apple          5
Yellow Fruit   3
Red Fruit      7
dtype: int64

总结

Pandas Series 提供了强大的索引功能，使数据处理更加灵活和高效：

  1. 自定义索引：可以在创建时指定索引，或者后续修改索引。
  2. 访问数据：
    • 通过标签索引（data['A']）。
    • 通过 .loc[] 方法（data.loc['A']）。
    • 通过整数索引 .iloc[] 访问（data.iloc[2]）。
  3. 修改索引：使用 .index 属性或者 reindex() 方法。
  4. 字典创建 Series：字典的键会自动变成索引。
  5. 索引操作：
    • drop() 删除索引项。
    • sort_index() 按索引排序。
    • rename() 重命名索引。

使用 Pandas Series 自定义索引可以更直观地表示数据，并让数据访问更加高效！

2. Pandas Series 自定义索引 综合实战

下面是一个基于 Pandas Series 自定义索引的综合实战示例。这个示例涵盖了创建 Series、修改索引、索引重命名、索引排序、索引操作等方面，帮助你深入理解如何灵活使用 Pandas 的索引功能。

1. 创建带有自定义索引的 Series

假设你有一个销售数据集，每个产品的销售数量对应于特定的索引标签（如产品名称）：

import pandas as pd

# 创建 Series，指定自定义索引（产品名称）
sales_data = pd.Series([500, 1200, 800, 1500, 200], index=['Apple', 'Banana', 'Cherry', 'Date', 'Elderberry'])

# 输出 Series
print(sales_data)

输出：

Apple        500
Banana      1200
Cherry       800
Date        1500
Elderberry   200
dtype: int64

2. 访问数据

通过自定义索引访问数据比直接使用默认的整数索引更具可读性和便利性。

# 访问单个索引标签的销售数据
print(sales_data['Banana'])  # 输出 1200

# 通过 .loc[] 方法访问
print(sales_data.loc['Date'])  # 输出 1500

3. 修改索引

有时你可能希望对已有 Series 的索引进行修改，使其更加符合实际需求。

# 修改索引，重新命名产品
sales_data.index = ['Fruit_A', 'Fruit_B', 'Fruit_C', 'Fruit_D', 'Fruit_E']

# 输出修改后的 Series
print(sales_data)

输出：

Fruit_A     500
Fruit_B    1200
Fruit_C     800
Fruit_D    1500
Fruit_E     200
dtype: int64

4. 重新索引（Reindex）

假设你想对现有数据进行重新排序或添加新的索引标签，可以使用 reindex() 方法。还可以指定填充缺失值的方法（如 fill_value）。

# 创建一个新的索引标签
new_index = ['Fruit_B', 'Fruit_C', 'Fruit_F', 'Fruit_A', 'Fruit_E']

# 重新排序数据并为缺失的索引填充默认值（0）
reindexed_data = sales_data.reindex(new_index, fill_value=0)
print(reindexed_data)

输出：

Fruit_B    1200
Fruit_C     800
Fruit_F       0
Fruit_A     500
Fruit_E     200
dtype: int64

可以看到，Fruit_F 在原始数据中没有对应项，因此它的值被填充为 0。

5. 删除索引项

通过 drop() 方法可以删除不需要的索引项。假设你不再关心 Date 产品的销售数据：

# 删除 'Fruit_D' 销售数据
sales_data = sales_data.drop('Fruit_D')
print(sales_data)

输出：

Fruit_A     500
Fruit_B    1200
Fruit_C     800
Fruit_E     200
dtype: int64

6. 索引排序

有时你可能希望根据索引的字母顺序或大小对数据进行排序：

# 根据索引（字母顺序）排序
sorted_sales = sales_data.sort_index()
print(sorted_sales)

输出：

Fruit_A     500
Fruit_B    1200
Fruit_C     800
Fruit_E     200
dtype: int64

如果希望按照索引降序排序，可以设置 ascending=False：

sorted_sales_desc = sales_data.sort_index(ascending=False)
print(sorted_sales_desc)

输出：

Fruit_E     200
Fruit_C     800
Fruit_B    1200
Fruit_A     500
dtype: int64

7. 索引重命名

你可以通过 rename() 方法重新命名 Series 中的索引。假设你想将 Fruit_A 改名为 Apple，Fruit_B 改名为 Banana 等。

# 使用 rename() 重命名索引
sales_data_renamed = sales_data.rename(index={'Fruit_A': 'Apple', 'Fruit_B': 'Banana', 'Fruit_C': 'Cherry', 'Fruit_E': 'Elderberry'})
print(sales_data_renamed)

输出：

Apple         500
Banana       1200
Cherry        800
Elderberry    200
dtype: int64

8. 自定义索引条件筛选

你还可以根据自定义的条件筛选数据。例如，筛选销售额大于 800 的产品。

# 通过条件筛选索引
high_sales = sales_data[sales_data > 800]
print(high_sales)

输出：

Fruit_B    1200
Fruit_C     800
dtype: int64

9. 检测索引是否存在

你可以检查某个特定的索引是否存在：

# 检查某个索引是否存在
print('Fruit_A' in sales_data)  # True
print('Fruit_F' in sales_data)  # False

10. 综合实战代码

将以上步骤整合成一个完整的实战代码：

import pandas as pd

# 创建带自定义索引的 Series
sales_data = pd.Series([500, 1200, 800, 1500, 200], index=['Apple', 'Banana', 'Cherry', 'Date', 'Elderberry'])
print("原始数据：")
print(sales_data)

# 修改索引
sales_data.index = ['Fruit_A', 'Fruit_B', 'Fruit_C', 'Fruit_D', 'Fruit_E']
print("\n修改后的数据：")
print(sales_data)

# 重新索引并填充缺失值
new_index = ['Fruit_B', 'Fruit_C', 'Fruit_F', 'Fruit_A', 'Fruit_E']
reindexed_data = sales_data.reindex(new_index, fill_value=0)
print("\n重新索引后的数据：")
print(reindexed_data)

# 删除索引项
sales_data = sales_data.drop('Fruit_D')
print("\n删除 'Fruit_D' 后的数据：")
print(sales_data)

# 排序索引
sorted_sales = sales_data.sort_index()
print("\n按索引排序后的数据：")
print(sorted_sales)

# 重命名索引
sales_data_renamed = sales_data.rename(index={'Fruit_A': 'Apple', 'Fruit_B': 'Banana', 'Fruit_C': 'Cherry', 'Fruit_E': 'Elderberry'})
print("\n重命名后的数据：")
print(sales_data_renamed)

# 根据条件筛选数据
high_sales = sales_data[sales_data > 800]
print("\n筛选销售额大于 800 的产品：")
print(high_sales)

# 检查索引是否存在
print("\n检查索引是否存在：")
print('Fruit_A' in sales_data)  # True
print('Fruit_F' in sales_data)  # False

总结

在 Pandas 中，Series 的自定义索引功能为数据操作和分析提供了极大的便利。通过自定义索引，你可以：

  • 更清晰地表示数据；
  • 灵活地进行数据选择、筛选和删除；
  • 方便地对数据进行排序、重命名等操作。

通过以上综合示例，你可以全面掌握如何在 Pandas Series 中进行索引操作。

深入理解Pandas Series：一维数据处理终极指南（二）
weixin_69882801的博客
02-27 746
Series是Pandas中最重要的基础数据结构，其数学本质是一个带标签的数学向量。Siv∣i∈Iv∈VS{(iv∣i∈Iv∈VIII为索引集合（Index）VVV为值集合（Values）每个元素由索引标签iii和对应的值vvv组成，这种结构使得Series兼具数组和字典的特性。
Pandas Series对象创建，属性，索引及运算详解
bbaaa123的博客
09-16 1191
Pandas Series对象创建，属性，索引及运算详解
pandas数据结构—Series学习
tmyzxy1314的博客
08-18 399
Series 是一种类似于一维数组的对象，由下面两部分组成：values：一组数据，ndarray 类型index：数据索引顾名思义，我们在创建 Series 对象时，需要传递一组数据，该数据大多数时候是可迭代对象。因此，下面三种创建方式都是将数据传入到 Series 方法中。
【玩转pandas系列】pandas数据结构—Series
热门推荐
你不来，再美的天地，都狼藉 ~
07-11 8万+
大家好！我是一朵向阳花（花花花），本期跟大家分享的知识是 pandas 数据结构——Series。
十二、Pandas数据结构——Series数据结构
m0_61834747的博客
11-07 3519
Series是一种类似于一维数组的对象，由一组数据及一组与之相关的数据标签（即索引）组成。
Series的index的方法和属性介绍
bom1999的博客
06-17 2万+
from pandas import Series,DataFrameobj = Series([1,2,3,5,8,12],index=[1,2,3,4,5,6])obj2 = Series([2,6,12,15,18,20],index=[0,1,2,3,4,5])1、append，合并obj.append(obj2)2、obj.diff(),每行与上一行的差值，Difference with...
【Pandas操作1】Series(索引、切片、常用方法)、DataFrame(常用属性、索引操作、切片操作、数据查看、数据保存与加载、操作excel、把数据写入到数据库)、股票分析案例
linjun的博客
09-13 1342
计算股票的每日收益率和7日波动率：通过计算收益率和波动率，我们可以评估股票的风险和收益情况。
Pandas Series对象的创建和基本使用（Pandas Series Object）
Vincent的博客
07-26 1814
pandas是Python的一个第三方数据分析库，其集成了大量的数据模型和分析工具，可以方便的处理和分析各类数据。Pandas中主要对象类型有Series，DataFrame和Index。本文介绍Series对象的创建和基本用法。
【pandas高级功能与最佳实践】自定义索引器：Index和Series索引器自定义
[【pandas高级功能与最佳实践】自定义索引器：Index和Series索引器自定义](https://cdn.educba.com/academy/wp-content/uploads/2020/05/template-27.jpg) # 1. pandas基础知识回顾 pandas是一个强大的Python数据...
Python pandas自定义函数的使用方法示例
09-18
这里我们将深入探讨如何在pandas DataFrame和Series中应用自定义函数。 首先，自定义函数可以用于对DataFrame的行或列进行操作。在示例中，我们看到一个名为`func`的函数被定义，它计算输入数组的最大值与最小值之...
【数据分析-17】Series对象-2
最新发布
m0_69378371的博客
02-09 335
你可以在创建Series时，指定自定义的索引。这使得Series更加灵活，可以将非整数标签用作索引。print(s)a 10b 20c 30d 40在此例中，我们将abcd作为Series的索引，而不是默认的整数索引。深入学习Series高级索引：支持自定义和多级索引。数据操作与转换：支持切片、排序、替换、统计运算、函数应用等。布尔索引：可以根据条件筛选数据。向量化运算：无需循环，直接对Series进行高效运算。通过掌握这些技巧，Series。
pandas索引
CarveStone的博客
01-14 3577
通过分层索引，我们可以像处理二维数据一样，处理三维及以上的数据。分层索引（Multiple Index）是 Pandas 中非常重要的索引类型，它指的是在一个轴上拥有多个（即两个以上）索引层数，这使得我们可以用低维度的结构来处理更高维的数据。下面介绍几种创建分层索引的方式。索引（index）是 Pandas 的重要工具，通过索引可以从 DataFame 中选择特定的行数和列数，这种选择数据的方式称为“子集选择”。索引可以加快数据访问的速度，它就好比数据的书签，通过它可以实现数据的快速查找。
Pandas(十四)--索引操作
Hanscal
05-07 7811
目录 索引Index 创建索引 设置索引 重置索引 分层索引MultiIndex 创建分层索引 应用分层索引 分层索引切片取值 聚合函数应用 局部索引 行索引层转换为列索引 列索引实现分层 交换层和层排序 索引Index 通过索引(Index)可以从 DataFame 中选择特定的行数和列数，这种选择数据的方式称为“子集选择”。在 Pandas 中，索引值也被称为标签（label），它在 Jupyter 笔记本中以粗体字进行显示。索引可以加快数据访问的速度，它就好比数据的书签，
Python pandas ：Series数据修改索引值index，出现数据丢失 NaN
weixin_56198196的博客
10-02 2750
最近在学数据分析，这里是关于我个人的错误记录，同时也和大家分享一下！ 出错图 修改后 错误原因：没有搞清楚list列表和Series数据的区别 想了解更详细的可以点击这里 list与Series数据类型的区别 解决方法：在修改索引值时，对象data_list应该为列表而不能是Series data=pd.Series(data_list,index=['a','b','c','d']) ##这里的data_list应该为列表，不能在前面先把它写进pandas.Series([...
pandas 小技巧——修改Series的index名称
lanyuelvyun的博客
10-23 1万+
1、修改series的index名称 2、合并两个series，并对列名进行重命名
#创建并使用Series索引（可以设置相同的索引）（drop()方法）
weixin_46408961的博客
04-27 906
#创建并使用series索引 #没设置索引就默认从0开始，但是我们可以自己进行设置 importpandasaspd importnumpyasnp myseries=pd.Series([1,2,3,4,5],index=['a','b','c','d','e']) print(myseries.index,type(myseries.index)) print(myseries.values)#结果为：[1 2 3 4 5] print(myseries['b'])#结果为...
pandas 之series and dataframe 行索引和列索引重命名
花木兰
09-20 1万+
import pandas as pd import numpy as np import matplotlib.pyplot as plt '''The rename() method allows you to relabel an axis based on some mapping (a dict or Series) or an arbitrary function.''' s=p...
【python数据分析】pandas库Series类型索引
weixin_40027906的博客
05-17 992
Series索引共有三种，下标索引，标签索引和布尔型索引 使用下标索引时，获取数据是左闭右开，使用下标索引，获取数据左闭右闭 下标索引 # 下标索引 arr = np.random.rand(5) print(arr) s1 = pd.Series(arr) print(s1[1]) print(s1[3]) print(type(s1[3])) [0.83701781 0.08756...
python的series自定义索引
05-25
在Python的pandas库中，Series是一种一维数组类型，可以存储任意类型的数据，同时支持自定义索引。如果你想要在创建Series时自定义索引，可以通过以下代码实现： ```python import pandas as pd # 创建一个Series，指定索引和数据 data = [10, 20, 30, 40] index = ['a', 'b', 'c', 'd'] s = pd.Series(data, index=index) # 输出Series print(s) ``` 输出结果如下： ``` a 10 b 20 c 30 d 40 dtype: int64 ``` 可以看到，我们通过指定index参数来自定义了Series的索引。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI Agent首席体验官

您的打赏是我继续创作的动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值