Pandas Series 概述与使用指南

Pandas 是 Python 中一个用于数据分析和操作的核心库，它提供了高性能、易用的数据结构和数据分析工具。Series 是 Pandas 中最基本的数据结构之一，它是一个一维的、大小可变的、同质类型的数据结构，可以看作是一个固定长度的有序字典（索引到值的映射）。

创建 Series 对象

创建 Series 对象有多种方式，每种方式都适用于不同的数据源和场景：

1. 从 NumPy 数组：
   当你有 NumPy 数组时，可以直接将其转换为 Pandas Series。这种方式非常高效，因为 Pandas 在内部大量使用了 NumPy。

   import pandas as pd 
   import numpy as np 
   
   
   arr = np.array([1, 2, 3, 4, 5]) 
   s_arr = pd.Series(arr)

2. 从列表/元组：
   Python 的列表或元组也可以很方便地转换为 Series。这适用于从基础 Python 数据结构过渡到 Pandas 数据结构的场景。

   s_list = pd.Series([10, 20, 30, 40])

3. 从字典：
   当你有键值对形式的数据时，可以使用字典来创建 Series。字典的键自动成为 Series 的索引，值成为数据。

   d = {'a': 1, 'b': 2, 'c': 3, 'd': 4} 
   s_dict = pd.Series(d)

4. 从标量值：
   如果你需要创建一个所有值都相同的 Series，可以传入一个标量值，并指定索引。

   s_scalar = pd.Series(5, index=['x', 'y', 'z'])

属性

Series 对象有许多有用的属性，用于获取其基本信息和状态：

• index：获取或设置 Series 的索引。
• values：获取 Series 中的数据值（以 NumPy 数组形式）。
• dtype：返回 Series 中元素的数据类型。
• name：获取或设置 Series 的名称。
• shape：返回一个元组，表示 Series 的维度（对于 Series 来说，通常是 (n,)，其中 n 是元素的数量）。
• size：返回 Series 中元素的数量。

常用函数

Pandas Series 提供了丰富的函数来执行各种数据操作和分析任务：

• 统计函数：如 mean(), max(), min(), sum(), std() 等，用于计算数据的统计指标。
• 排序：sort_values() 根据值排序，sort_index() 根据索引排序。
• 去重：drop_duplicates() 去除重复项。
• 描述性统计：describe() 生成描述性统计信息。
• 数据转换：apply() 方法允许应用自定义函数到 Series 的每个元素上。
• 数据选择：head(n) 和 tail(n) 分别返回前 n 条和后 n 条记录。
• 缺失数据处理：fillna(), dropna() 等函数用于处理缺失数据。

布尔索引操作

布尔索引是 Pandas 中一种强大的数据选择方式。你可以通过条件表达式生成一个布尔数组，然后使用这个数组来索引 Series，从而选择满足条件的元素。

s = pd.Series([1, -2, 3, -4, 5]) 
positive_values = s[s > 0]

计算

Series 支持与标量值的运算（如加法、减法、乘法等），这些运算会被广播到整个 Series 上。此外，两个 Series 之间的运算默认基于索引进行，如果索引不完全匹配，则结果中相应位置会填充 NaN。

s1 = pd.Series([1, 2, 3], index=['a', 'b', 'c']) 
s2 = pd.Series([4, 5, 6], index=['b', 'c', 'd']) 
result = s1 + s2 # 结果中 'a' 和 'd' 位置为 NaN

其他功能

• 合并与连接：使用 concat() 函数可以将多个 Series 合并成一个新的 Series 或 DataFrame。
• 时间序列：Pandas 提供了强大的时间序列处理功能，Series 可以被转换为时间序列数据，以便进行日期和时间的分析。
• 数据可视化：虽然 Series 本身不直接提供可视化功能，但 Pandas 通常与 Matplotlib、Seaborn 等库结合使用，以便进行数据可视化。

原文地址：https://blog.csdn.net/DREAM_xs/article/details/142442220

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！