python-pandas创建Series数据类型的操作

print(pd.__version__)

输出：

0.24.13.常见数据类型

常见的数据类型:

- 一维: Series

- 二维: DataFrame

- 三维: Panel …

- 四维: Panel4D …

- N维: PanelND …

array = ['粉条', '粉丝', '粉带']# 如果不指定索引， 默认从0开始;s1 = pd.Series(data=array)print(s1)# 如果不指定索引， 默认从0开始;ss1 = pd.Series(data=array, index=[’A’, ’B’, ’C’])print(ss1)

输出：

0 粉条1 粉丝2 粉带dtype: objectA 粉条B 粉丝C 粉带dtype: object2). 通过numpy的对象Ndarray创建Series；

n = np.random.randn(5) # 随机创建一个ndarray对象;s2 = pd.Series(data=n)print(s2)# 修改元素的数据类型;ss2 = s2.astype(np.int)print(ss2)

输出：

0 -1.6497551 0.6074792 0.9431363 -1.7940604 1.569035dtype: float640 -11 02 03 -14 1dtype: int643). 通过字典创建Series对象;

dict = {string.ascii_lowercase[i]:i for i in range(10)}s3 = pd.Series(dict)print(s3)

输出：

a 0b 1c 2d 3e 4f 5g 6h 7i 8j 9dtype: int645.Series基本操作

共同部分：

import pandas as pdimport numpy as npimport stringarray = ['粉条', '粉丝', '粉带']s1 = pd.Series(data=array)print(s1)

输出：

0 粉条1 粉丝2 粉带dtype: object1). 修改Series索引.index

print(s1.index) #输出：RangeIndex(start=0, stop=3, step=1)s1.index = [’A’, ’B’, ’C’]print(s1)

输出：

A 粉条B 粉丝C 粉带dtype: object2). Series纵向拼接.append

s1.index = [’A’, ’B’, ’C’]array = ['粉条', '粉丝', '粉带']# 如果不指定索引， 默认从0开始;s2 = pd.Series(data=array)s3 = s1.append(s2)print(s3)

输出：

A 粉条B 粉丝C 粉带0 粉条1 粉丝2 粉带dtype: object3). 删除指定索引对应的元素.drop(‘index’)

s3 = s3.drop(’C’) # 删除索引为‘C’对应的值;print(s3)

输出：

A 粉条B 粉丝0 粉条1 粉丝2 粉带dtype: object4). 根据指定的索引查找元素

print(s3[’B’]) #粉丝s3[’B’] = np.nan #索引B处的值替换为缺失值print(s3)

输出：

A 粉条B NaN0 粉条1 粉丝2 粉带dtype: object5). 切片操作 — 同列表

print(s3[:2]) #显示前两个元素print(s3[::-1]) #逆序print(s3[-2:]) # 显示最后两个元素

输出：

A 粉条B NaNdtype: object-------------------------2 粉带1 粉丝0 粉条B NaNA 粉条dtype: object-------------------------1 粉丝2 粉带dtype: object6.Series运算

先设置两个Series对象：

import pandas as pdimport numpy as npimport strings1 = pd.Series(np.arange(5), index=list(string.ascii_lowercase[:5]))s2 = pd.Series(np.arange(2, 8), index=list(string.ascii_lowercase[2:8]))print(s1)print(s2)

按照对应的索引进行计算， 如果索引不同，则填充为Nan;

print(s1 + s2)print(s1.add(s2))

输出：

a NaNb NaNc 4.0d 6.0e 8.0f NaNg NaNh NaNdtype: float642).减法sub

print(s1 - s2)print(s1.sub(s2))

输出：

a NaNb NaNc 0.0d 0.0e 0.0f NaNg NaNh NaNdtype: float643).乘法mul

print(s1 * s2)print(s1.mul(s2))

输出：

a NaNb NaNc 4.0d 9.0e 16.0f NaNg NaNh NaNdtype: float644).除法div

print(s1 / s2)print(s1.div(s2))

输出：

a NaNb NaNc 1.0d 1.0e 1.0f NaNg NaNh NaNdtype: float645).求中位数median

print(s1.median())

输出：

2.06).求和sum

print(s1.sum())

输出：

107).最大值max

print(s1.max())

输出：

48).最小值min

print(s1.min())

输出：

07.特殊的where方法

series中的where方法运行结果和numpy中完全不同

import pandas as pdimport numpy as npimport strings1 = pd.Series(np.arange(5), index=list(string.ascii_lowercase[:5]))print(s1)

输出：

a 0b 1c 2d 3e 4dtype: int64

print(s1.where(s1 > 3))

大于3的显示，不大于3的为NaN

# 对象中小于3的元素赋值为10；print(s1.where(s1 > 3, 10))

# 对象中大于3的元素赋值为10；print(s1.mask(s1 > 3, 10))

以上为个人经验，希望能给大家一个参考，也希望大家多多支持好吧啦网。如有错误或未考虑完全的地方，望不吝赐教。