pandas Series类

构造方法

pandas.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False)

对象说明

Series 是一维带标签的数组，它可以包含任何数据类型。包括整数，字符串，浮点数，Python 对象等。Series 可以通过标签来定位。Pandas 中，Series 可以被看作由 1 列数据组成的数据集。

参数data可以是一个数组，列表、元组或者任何可迭代的对象，也可以是一个标量值。参数index表示Series的1列数据中每一行对应的索引。参数dtype指定数据的类型。

对象用法

1、创建Series对象

# 根据列表创建
>>> a = [1, 2, 3, 4]
>>> s = pd.Series(a)
>>> s
0    1
1    2
2    3
3    4
dtype: int64
# 根据元组创建
>>> b = (4, 5, 6)
>>> s1 = pd.Series(b)
>>> s1
0    4
1    5
2    6
dtype: int64
# 根据字典创建
>>> c = {"a":1, "b":2, "c":3}
>>> s2 = pd.Series(c)
>>> s2
a    1
b    2
c    3
dtype: int64
# 根据numpy 数组创建
>>> d = np.array([3, 4, 5, 6])
>>> s3 = pd.Series(d)
>>> s3
0    3
1    4
2    5
3    6
dtype: int32
# 自定义索引
>>> e = [3, 4, 5, 6]
>>> s4 = pd.Series(e, index=['a', 'b', 'c', 'd'])
>>> s4
a    3
b    4
c    5
d    6
dtype: int64
# 注意：使用字典类型时，如果指定索引，那么对应的值将不可用
>>> f = {'a':1, 'b':2, 'c':3}
>>> s5 = pd.Series(f, index=['d', 'e', 'f'])
>>> s5
d   NaN
e   NaN
f   NaN
dtype: float64
>>> g = [3, 4, 5, 6]
# 指定数据类型，可以python基本数据类型、numpy基本数据类型或扩展数据类型
>>> s6 = pd.Series(e, index=['a', 'b', 'c', 'd'], dtype=np.float32)
>>> s6
a    3.0
b    4.0
c    5.0
d    6.0
dtype: float32

2、Series对象基本操作（索引、切片、拼接、删除、修改）

>>> a = np.arange(5, 10)
>>> a
array([5, 6, 7, 8, 9])
>>> s = pd.Series(a)
>>> s
0    5
1    6
2    7
3    8
4    9
dtype: int32
# 更换索引
>>> s.index = ['a', 'b', 'c', 'd', 'e']
>>> s
a    5
b    6
c    7
d    8
e    9
dtype: int32
# 拼接
>>> s1 = pd.Series([1, 2, 3])
>>> s2 = s1.append(s)
>>> s2
0    1
1    2
2    3
a    5
b    6
c    7
d    8
e    9
dtype: int64
# 删除
>>> s2.drop('e')
0    1
1    2
2    3
a    5
b    6
c    7
d    8
dtype: int64
# 修改
>>> s2[0] = 4
>>> s2
0    4
1    2
2    3
a    5
b    6
c    7
d    8
e    9
dtype: int64
# 索引
>>> s2['a']
5
# 切片
>>> s2[:4]
0    4
1    2
2    3
a    5
dtype: int64

3、Series对象数学运算

>>> s1 = pd.Series([1, 2, 3])
>>> s1
0    1
1    2
2    3
dtype: int64
>>> s2 = pd.Series([4, 5, 6])
>>> s2
0    4
1    5
2    6
dtype: int64
# 加法
>>> s2.add(s1)
0    5
1    7
2    9
dtype: int64
>>> s3 = pd.Series([4, 5, 6], index=[1, 2, 3])
>>> s3
1    4
2    5
3    6
dtype: int64
# 如果索引对应不同，则填充为NaN
>>> s3.add(s1)
0    NaN
1    6.0
2    8.0
3    NaN
dtype: float64
# 减法
>>> s2.sub(s1)
0    3
1    3
2    3
dtype: int64
# 乘法
>>> s2.mul(s1)
0     4
1    10
2    18
dtype: int64
# 除法
>>> s2.div(s1)
0    4.0
1    2.5
2    2.0
dtype: float64
# 求中位数
>>> s2.median()
5.0
# 求和
>>> s2.sum()
15
# 求最大值
>>> s2.max()
6
# 求最小值
>>> s2.min()
4