python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > Pandas的Series创建方式

关于Pandas的Series创建方式和常用属性

作者：朱小五是凹凸君呀

这篇文章主要介绍了关于Pandas的Series创建方式和常用属性,Series 数据结构是用于储存一个序列的一维数组，DataFrame 数据结构是用于存储复杂数据的二维数据结构,本文来详细说明一下

1、list、ndarray、Series的简单比较

① list列表，列表中的元素可以是不同的数据类型，使用从0开始的整数值作为默认索引；

② ndarray数组，数组中的元素必须是同种数据类型，也是使用从0开始的整数值作为默认索引；

③ Series序列，是一种一维的结构，类似于一维列表和ndarray中的一维数组，但是功能比他们要更为强大，Series由两部分组成：索引index和数值values；

④ 一维列表和一维数组中都是采用从0开始的整数值作为默认索引，索引值一般不显示的给出，但是我们可以通过索引去获取其中的元素。对于Series来说，默认索引也是从0开始的整数值作为默认索引，但是是显示地给出，更为强大的是，Series中的索引可以随意设置，方便我们取数。

操作如下：

 import numpy as np
 import pandas as pd
 l1 = [1,2,"中国",4.5]
 display(l1)
 display(l1[2])
 a1 = np.array([1,2,5,6,8])
 display(a1)
display(a1[4])
s1 = pd.Series([1,3,5,7,9])
display(s1)
display(s1[4])
s2 = pd.Series([1,3,5,7,9],index=["a","b","c","d","e"])
display(s2)
display(s2["d"])
display(s2[3])
s3 = pd.Series([1,3,5,7,9],index=[3,4,5,6,7])
display(s3)
display(s3[6])

结果如下：

通过上述测试，我们可以总结出来这第5条结论：

⑤ 创建Series序列时，当不指定索引的时候，默认会生成从0开始的整数索引；当指定了“字符串索引”(也叫“标签索引”)，既可以通过这个字符串索引访问元素，也可以通过原有的从0开始的整数索引访问元素；当指定一个“整数索引”，那么该索引会覆盖掉原有的默认的整数索引，只能通过这个新的整数索引访问元素，默认的整数索引会失效。

2、Series的5种常用创建方式

1）通过一维列表创建Series

x = [1,3,5,7,9]
y = pd.Series(x)
display(y)
y1 = pd.Series(x,index=["a","b","c","d","e"],dtype=np.float32)
display(y1)

结果如下：

2）通过可迭代对象创建Series

x = range(2,7)
y = pd.Series(x)
display(y)

结果如下：

3）通过字典创建Series

x = dict(a=22,b=18,c=35)
y = pd.Series(x)
display(y)
x1 = pd.Series({"a":1,"b":2,"c":3})
display(x1)

结果如下：

4）通过一维数组创建Series

x = np.arange(1,6)
y = pd.Series(x)
display(y)

结果如下：

5）通过标量(常数)创建Series

x = 22
y1 = pd.Series(x)
display(y1)
y2 = pd.Series(x,index=list(range(5)))
display(y2)

结果如下：

注意：创建一个含有相同元素的Series，元素的个数取决于我们设置的索引的个数。

3、Series中常用属性说明

1）Series和ndarray中常用属性对比

 * ndim          返回Series的维数；
 * shape         返回Series的形状；
 * dtype         返回Series中元素的数据类型；
 * size          返回Series中元素的个数；
 * itemsize      返回Series中每一个元素占用空间的大小，
                 以字节为单位；
 * nbytes        返回Series中所有元素占用空间的大小，
                 以字节为单位；
 * T             返回Series的转置结果；
#注意：下面这3个属性，在Series中才有。
* index         返回Series中的索引；
* values        返回Series中的数值；
* name          返回Series的名称  或  返回Series索引的名称；
* ndim          返回数组的维数；
* shape         返回数组的形状；
* dtype         返回数组元素的数据类型；
* size          返回数组中元素的个数；
* itemsize      返回数组中每一个元素占用空间的大小，以字节为单位；
* nbytes        返回数组中所有元素占用空间的大小，以字节为单位；
* T             返回数组元素的转置结果；

操作如下：

s = pd.Series([1,3,5,7,9])
display(s)
display(s.ndim)
display(s.shape)
display(s.dtype)
display(s.size)
display(s.itemsize)
display(s.nbytes)
display(s.T)

结果如下：

注意：

由于Series是一维的结构，因此Series的ndim的值肯定是1；

2）Series中特有的几个属性：index、values、name

① index和values属性

x = pd.Series([1,3,5,7,9])
display(x)
display(x.index)
display(x.values)

结果如下：

② name属性：动态创建Serie名称和Series索引名称

x = pd.Series([1,3,5,7,9])
display(x)
x.name = "Series的名称"
x.index.name= "Series索引的名称"
display(x)
display(x.name)
display(x.index.name)

结果如下：

③ 在创建Series的时候，指定Series名称

y = pd.Series([1,3,5,7,9],index=["a","b","c","d","e"],name="Series的名称")
display(y)
display(y.index.name)
display(y.name)

结果如下：

注意：目前可能看不出来，指定这个索引名称的好处在哪里，这个在学习DataFrame的时候，会得到很好的体现。

如果多个series放在了一起，那么必然可以构建成一个dataframe，那么每个series的名称就是构成当前这个dataframe的column。(仔细先体会这段话)

下面，我们先用一个简单的例子，说明一下Serie名称的作用。

从上图中可以看出，In[6]我们先创建了一个dataframe，这个dataframe可以看作是由三个Series堆积而成的。In[8]我们选取了其中一列，那么得到的就是一个Series，  In[9]我们获取这个Series的name，可以看出结果就是该列的column列名。

到此这篇关于关于Pandas的Series创建方式和常用属性的文章就介绍到这了,更多相关Pandas的Series创建方式内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:
阅读全文