Pandas中Series怎么用

這篇文章給大家分享的是有關Pandas中Series怎么用的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

一. Series 簡介

Series是一種類似于一維數組的對象，是由一組數據(各種NumPy數據類型)以及一組與之相關的數據標簽(即索引)組成。僅由一組數據也可產生簡單的Series對象

Series 總的來說就是帶標簽的一維數組，可存儲整數、浮點數、字符串、Python對象等類型的數據。標簽軸通常叫做索引。

二. 實例化 Series

2.1 使用一維數組實例化

用一維數組實例化Series時，索引長度必須與數組長度一致。沒有指定索引時，Pandas會幫我們創建默認的數值型索引。

In [1]: s1 = pd.Series([1, 2, 3, 4])
Out[1]:
0	1
1	2
2	3
3	4
dtype: int64

In [2]: s2 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
Out[2]:
a	1
b	2
c	3
d	4
dtype: int64

注意: Pandas 是支持重復索引的。但我們也可以重置索引，具體操作方法在后續章節中會給出。

2.2 使用字典實例化

使用字典實例化Series時, 如果未傳入索引，則索引的值為字典的key：

In [1]: pd.Series({'i': 0, 'j': 1, 'k': 2})
Out[1]: 
i    0
j    1
k    2
dtype: int64

2.3 使用標量例化

使用標量值實例化時，必須提供索引。Series 按索引長度重復該標量值。

In [1]: pd.Series(6, index=[0, 1, 2])
Out[1]: 
0    6
1    6
2    6
dtype: int64

三.Series 簡單使用

3.1 為Series添加Name屬性

在實例化Series時，可以傳入name參數為Series添加name屬性。同時，Seires也支持重命名:

In [1]: s = pd.Series(6, index=[0, 1, 2], name='six')
Out[1]: 
0    6
1    6
2    6
Name: six, dtype: int64

In [2]: s.name
Out[2]: 'six'

In [3]: s = s.rename('sixsixsix')
In [4]: s.name
Out[4]: 'sixsixsix'

3.2 基于位置的切片

Series提供了類似于Python列表的切片方式：

In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[1]: s[0:2] 	#取下標為0和1的兩個數據（不包括2，也就是從第一個開始取，取兩個數據）
Out[1]：
a    1
b    2
dtype: int64

In[2]: s[:3] 	#取前三個數據
Out[2]：
a    1
b    2
c    3
dtype: int64

In[3]: s[-2:] 	#取最后兩個數據（也可以理解為從倒查第二個數據一直取到末尾）
Out[3]：
c    3
d    4
dtype: int64

In[4]: s[[0,2,3]] 	#取第1、3、4這個三個數據（注意下標是從0開始的，轉換為位置時需+1）
Out[4]：
a    1
c    3
d    4
dtype: int64		#注意：如果輸入的位置大于列表的長度則會報出“indexers are out-of-bounds”異常

3.3 基于索引的切片

Series可使用索引標簽的值來提取值：

In [0]：s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In [1]: s['a'] 	#提取s中，標簽為a的值
Out[1]：
a    1
dtype: int64

In [1]: s[['a', 'b', 'c']] 	#提取s中，標簽為a, b, c的值
Out[1]：
a    1
b    2
c    3
dtype: int64

如果傳入的索引標簽的值不在Seires的軸索引中，那將會報 KeyError 異常，這里建議大家使用Series的 get 方法獲取值,如果不存在，則會返回None，同時也可設置default參數，用于不存在時的默認返回值。

In [0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In [1]: s['f'] 	#提取s中，標簽為f的值, f不存在，將會報出異常
Out[1]：KeyError

In [2]：s.get('f') #提取s中，標簽為f的值, 若f不存在，默認返回None
Out[2]：None

In [3]：s.get('f'. default=-1) #提取s中，標簽為f的值, 若f不存在，返回-1
Out[3]：-1

3.4 基于條件的切片

In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[1]: s[s < 2] 	#提取s中，小于2的值
Out[1]：
a    1
b    2
dtype: int64

In[1]: s[s> s.mean()] 	#提取s中，大于平均數的值
Out[1]：
c    3
d    4
dtype: int64

In[1]: s[s.between(1, 3, inclusive=False)] 	#提取s中，值介于1，3之間的數據(不包含1，3)
Out[1]：
b    2
dtype: int64

在提取區間數據時，如果想讓兩端的值包含其中（滿足兩端的值也被提取出來），只需要把 inclusive 參數的值賦為True

3.5 其他操作

Series 不用循環也可以像操作單個數值一樣快速進行數學運算：

In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[1]: s + s
Out[1]：
a    2
b    4
c    6
d    8
dtype: int64

In[2]: s - 1
Out[2]：
a    0
b    1
c    2
d    3
dtype: int64

Series 之間的操作會自動 基于標簽 對齊數據. 如果一個Series中的標簽在另一個Series中不存在，那么計算得到的結果將是NaN,即缺失值，有缺失值NaN的處理在后續章節也會講到。因此，我們不用顧及執行操作的Series是否有相同的標簽。 Pandas數據結構集成的數據對齊的功能，是Pandas區別于大多數標簽型數據處理工具的重要特性。

In[0]: s1 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[0]: s2 = pd.Series([3, 6, 11], index=['a', 'b', 'f'])
In[1]: s1 + s2
Out[1]:
a   4.0
b   8.0
c   NaN
d   NaN
f   NaN
dtype: float64

感謝各位的閱讀！關于“Pandas中Series怎么用”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！