Pandas—Series对象：常用属性、方法、布尔类型、运算快速理解

Pandas-Series对象详细总结
	格式	含义	举例	结果
创建	包名.Series()	创建Series对象	(1)传入列表 s1=pd.Series([1,2,3]) （2）传入元组 s1=pd.Series((1,2,3)) （3）传入字典 s1=pd.Series({'a':1,'b':2,'c':3)) 传入列表和元组的时候里面可以指定索引列格式为index=['a','b','c']	（1）和（2）的 结果为：      0    1      1    2      2    3 （3）结果为：a    1              b    2              c    3
Series 常用 属性	对象.loc	根据(索引列）行索引值取一行数据 但是以列的形式表示出来。 第一列为原来的列名，第二列为对应的一行数据，并会打印行索引值以及行索引值的类型	可以读取一个csv的文件，这里举例我这里的文件，  文件为：     nid name  age  A    1   温蒂   15 B    2   纳兹   19 C    3   露西   19 D    4   格雷   19 读取操作为：import pandas as pd  读取csv文件的数据,并设置id列为: 索引 data_df =pd.read_csv('/export/data/friends.csv', index_col='id') print(data_df.loc[A]）	结果为： nid      1 name    温蒂 age     15 Name: A, dtype: object
	对象.iloc	根据行号取一行数据， 也是会用列的形式打印出来，结果同loc属性打印的结果一样	承上例data_df的文件数据 print(data_df.iloc[0]），行号就相当于每行数据的索引值，第一行数据的索引值为0	结果为： nid      1 name    温蒂 age     15 Name: A, dtype: object
	对象.dtype或dtypes	查看Series对象的元素类型， 这两个都可以使用	我这里就使用data_df.iloc[0]这个数据来看它的数据类型 格式为：print(data_df.iloc[0].dtype)	结果为：object  表示: 字符串的意思
	对象.shape	数据的维度	print(data_df.iloc[0].shape)	结果为：(3,) 三行一列，但1通常不显示
	对象.size	获取Series元素的数量	print(data_df.iloc[0].size)	结果为：3
	对象.values	获取Series对象所有的值,也就是 那一行的数据	print(data_df.iloc[0].values)	结果为：[1 '温蒂' 15]
	对象.index	获取Series所有的索引值，也就是获取列名，并输出列名类型	print(data_df.iloc[0].index)	结果为： Index(['nid', 'name', 'age'], dtype='object')
Series 常用 方法	len(对象)	查看Series对象值的数量(同属性里的size)作用相同	s2 = pd.Series(data = [2, 2, 4, 4, 5, 7], index=['A', 'B', 'C', 'D', 'E', 'F']) print(len(s2))	结果为：6
	对象.sort_values()	对值进行排序	print(s2.sort_values()) print(s2.sort_values(ascending=True)) 效果同上. print(s2.sort_values(ascending=False)) # 降序	结果为：  升序：     降序： A    2            F    7 B    2            E    5 C    4            D    4 D    4            C    4 E    5            B    2  F    7            A    2 dtype: int64      dtype: int64
	对象.sort.index()	对行索引进行排序	print(s2.sort_index()) print(s2.sort_index(ascending=True)) 效果同上. print(s2.sort_index(ascending=False)) # 降序	结果为：  升序：   A    2             B    2             C    4             D    4             E    5             F    7             dtype: int64
	对象.to_list()/tolist()	把Series转换为列表	print(s2.to_list())	结果为： [2, 2, 4, 4, 5, 7]
	对象.to_frame()	把Series转换为DataFrame	print(s2.to_frame())	结果为：    0 A  2 B  2 C  4 D  4 E  5 F  7
	对象.count()	计数: 只统计非null值	print(s2.count())	结果为：6
	对象.value_counts()	分组统计不同值数量,并打印类型	print(s2.value_counts())	结果为： 4    2 2    2 7    1 5    1 dtype: int64
	对象.keys()	获取索引值,和属性里的index 的作用相同	print(s2.keys())	结果为： Index(['A', 'B', 'C', 'D', 'E', 'F'], dtype='object')
	对象.sum()	求和	print(s2.sum())	结果为：24
	对象.min()	返回最小值	print(s2.min())	结果为：2
	对象.max()	返回最大值	print(s2.max())	结果为：7
	对象.mean()	返回算术平均值	print(s2.mean())	结果为：4.0
	对象.median()	返回中位数	print(s2.median())	结果为：4.0
	对象.mode()	返回众数	print(s2.mode())	结果为： 0    2 1    4 dtype: int64
	对象.quantile()	返回指定位置的分位数	print(s2.quantile(.5))	结果为：4.0
	对象.replace()	用指定值代替Series中的值	s2.replace(2,3,inplace=True) print(s2)	结果为： A    3 B    3 C    4 D    4 E    5 F    7 dtype: int64
	对象.sample()	返回Series的随机采样值	print(s2.sample())	结果为： E    5 dtype: int64
	对象.unique()	去重返回数组	print(s2.unique())	结果为：[2 4 5 7]
	对象.drop_duplicates()	返回去重之后的Series	print(s2.drop_duplicates())	结果为： A    2 C    4 E    5 F    7 dtype: int64
	对象.head()	默认查看前5个值，可设置 查看的行数,并打印类型	print(s2.head(n=3))	结果为： A    2 B    2 C    4 dtype: int64
	对象.tail()	默认查看后5个值，可设置 查看的行数,并打印类型	print(s2.tail(n=3))	结果为： D    4 E    5 F    7 dtype: int64
	对象.hist()	绘制直方图	print(s2.hist())	结果为：
Series 布尔类型	可传入布尔索引，获取某一列指定的数据， 设置为True的则打印，否则不打印		df1 = pd.DataFrame(data={     'nid':[1,2,3,4],     'name':['温蒂','纳兹','露西','格雷'],     'age':[15,19,19,19]},     index=['A', 'B', 'C', 'D']) ages=df1['age']或ages=df1.age print(ages[[True,False, False, True]])	结果为： A    15 D    19 Name: age, dtype: int64
	也可进行检索		df1['age'][df1['age'] > df1['age'].mean()] 或df1.age[df1.age > df1.age.mean()]	结果为： B    19 C    19 D    19 Name: age, dtype: int64
Series 运算	Series和数值型变量计算， 变量会与Series中的每个元素逐一进行计算		print(ages + 7) print(ages * 2)	结果为： ages + 7          A    22            B    26            C    26            D    26            Name: age, dtype: int64
	两个Series对象长度一致, 对应索引的内容直接做计算即可.		print(ages + ages)	结果为： A    30 B    38 C    38 D    38 Name: age, dtype: int64
	两个Series对象 长度不一致, 索引匹配的就计算, 不匹配的就用NaN填充.		s3= pd.Series(data=[1, 2],index=['A','G']) print(ages + s1)	结果为： A    16.0 B     NaN C     NaN D     NaN G     NaN dtype: float64