Python Pandas中创建Series的三种方法总结
作者：AHU-丁少侠
Pandas中创建Series的三种方法
一、通过列表创建
# encoding=utf-8 import pandas as pd # 定义一个列表 a = [1, 2, 3, 4] s1 = pd.Series(a) print(s1)
运行结果：
第一列为索引，是Series在创建时默认生成的，第二列即为值，通过type(s1)命令即可看到s1的数据类型为：pandas.core.series.Series，我们也可以将第四行的代码改为：
`s1 = pd.Series(a, index=["a", "b", "c", "d"])`
重新设置我们的索引，这样原先的索引就从0,1,2,3变为了a,b,c,d，更有一定的语义。
如果我们想查看索引和值可以分别通过访问Series的index属性和values属性：
二、通过数组创建
这里的数组值的是numpy中的数组，它是对python列表的深度封装。
我们来看代码：
# encoding=utf-8 import pandas as pd import numpy as np # 定义数组 arr = np.arange(1, 5) s2 = pd.Series(arr) print(s2)
运行结果：
可以看到，也成功创建了一个Series。
三、通过字典创建
关于Series，笔者认为它更像一个有序的大字典，因此我们用操作字典的习惯操作Series往往能得心应手。
我们来看如何通过字典创建一个Series：
# encoding=utf-8
import pandas as pd
# 创建一个字典
dic = {"name": "丁少侠", "age": 20, "grade": [100, 99, 88]}
s3 = pd.Series(dic)
print(s3)运行结果：
这里我们已经成功创建了一个存放学生信息的Series，由于字典自带key，因此索引也就自然创建了。
如果我们希望grade放在第一列，应该怎么设置呢？我们只需要修改第5行代码：
s3 = pd.Series(dic, index=["grade", "name", "age"])
此时，index参数的功能不再是设置索引，而是根据索引排序，因为字典本身自带索引。
另外，假如我们将第5行代码修改为以下呢：
s3 = pd.Series(dic, index=["grade", "name", "age", "sex"])
可以看到，因为这位同学的性别未知，创建的Series中，sex这一栏就只能填NaN了，通过赋值，即可确定性别。
s3["sex"]="男"
看，像不像字典的操作！！！！那么我们顺着操作字典的思路再试着操作s3，再添加一个属性：hobby：
s3["hobby"] = ["code,basketball,sleep"]
关于Series的操作无非增删改查，这里我们点到为止。
Python pandas，pandas.series,series的主要方法
Pandas安装
pip install pandas
numpy和pandas区别
numpy：生成的是ndarray,数组pandas：基于numpy，生成两种对象，一种是series,一种是dataframe。series：一维数组类似array,series=索引+数据。区别是Series能保存不同种数据类型，字符串、boolean值、数字等，而numpy只能存储同类型数据。dataframe：二维的表格型数据结构，是组合的series。dataframe 的每一行和每一列都是一个series。
Series的生成
生成Series：
语法结构：
Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False)
data:可传入数组，可迭代对象，字典或标量值index:以数组或列表形式传入自定义索引，若不传值，则默认[0,1,2…n],索引的个数需与data的长度相等name: 自定义series的名字，默认none
#Series实例 import pandas as pd from pandas import Series seri=pd.Series([3,5,-2,9],index=['a','b','c','d']) print(seri) print(type(seri)) #输出 a 3 b 5 c -2 d 9 dtype: int64 <class 'pandas.core.series.Series'>
Series的主要方法
1.** 获取series的值：
series.values,：以ndarray结构输出
import pandas as pd from pandas import Series seri=pd.Series([3,5,-2,9],index=['a','b','c','d']) print(seri.values) print(type(seri.values)) #输出 [ 3 5 -2 9] <class 'numpy.ndarray'> #生成series时传入的值是list结构，输出的仍是 ndarray结构
获取series的索引：
series.index,：以pandas index 结构输出 import pandas as pd from pandas import Series seri=pd.Series([3,5,-2,9],index=['a','b','c','d']) print(seri.index) print(type(seri.index)) #输出： Index(['a', 'b', 'c', 'd'], dtype='object') <class 'pandas.core.indexes.base.Index'>
通过索引找到对应值：两种方法：通过位置查找/通过索引名称查找
import pandas as pd from pandas import Series seri=pd.Series([3,5,-2,9]) seri.index=["a","b","c","d"] print(seri["a"]) #通过索引名称查找，类似字典 print(seri[0:3])#通过位置切片查找，类似列表/数组 #输出 3 a 3 b 5 c -2
将字典转换成series：key对应变成index，value为值
import pandas as pd
from pandas import Series
dic={"a":"5","n":"6","k":"0"}
seri=pd.Series(dic)
print(seri)
#输出
a 5
n 6
k 0查找缺失数据：返回缺失数据的索引和非缺失数据的索引+值
import pandas as pd
from pandas import Series
dic={"a":'',"n":"","k":"0"}
seri=pd.Series(dic)
print(seri.isnull)
#输出：
<bound method Series.isnull of a n
k 0判断series中是否存在缺失数据：seri.isnull().any()，输出布尔值
注:numpy.nan 是生成确实数据的方法，nan: not a num
import numpy as np
import pandas as pd
from pandas import Series
dic={"a":np.nan,"n":np.nan,"k":"f"}
seri=pd.Series(dic)
print(seri.isnull().all())
#输出：
False
#ps: 判断series中是否都为缺失数据：series.isnull().any()，输出布尔值去重：series.unique()
import pandas as pd
from pandas import DataFrame
from pandas import Series
data=["a","k","m","a","w","m","9"]
obj=Series(data)
uniques=obj.unique()
print(uniques)
#输出：
['a' 'k' 'm' 'w' '9']
#注：也可以用python 的set函数，
print(set(data))
#输出
{'m', 'w', '9', 'a', 'k'}
#区别：
set去重后会改变原来的顺序，而unique不会
set生成的事set对象 <class 'set'>，而unique生成的事ndarray对象 <class 'numpy.ndarray'>总结
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脚本之家。