- +在此添加单个AI新笔记
pandas数据结构 列型Series()
.png&w=3840&q=85)
pandas Series简介
Pandas 的 Series 是一种一维数组结构，可以存储任何数据类型（整数、字符串、浮点数、Python 对象等）。Series 是 Pandas 中的基本概念之一，是DataFrame的基础构建块。以下是 Series 的一些关键特点：
一维标签:
Series拥有一个一维的标签数组，这些标签被称为索引（index）。
数据类型灵活:
- 每个
Series元素可以是不同的数据类型，这使得Series在存储混合数据类型时非常灵活。
- 每个
自动对齐:
- 由于索引的存在，
Series对象在进行算术运算或数据对齐操作时会自动对齐。
- 由于索引的存在，
缺失数据处理:
Series可以包含缺失数据，Pandas 使用NaN（不是数字）来表示缺失值。
时间序列分析:
Series特别适用于时间序列数据，可以轻松处理和分析时间序列。
快速访问:
- 可以通过索引快速访问
Series中的元素。
- 可以通过索引快速访问
大小可变:
Series的大小是固定的，但可以很容易地进行切片、添加或删除操作。
适用于向量化操作:
- Pandas 的
Series设计用于进行快速的向量化操作。
- Pandas 的
与 NumPy 的兼容性:
Series可以基于 NumPy 数组创建，并且可以与 NumPy 进行无缝交互。
丰富的方法:
Series提供了大量内置方法，用于执行各种操作，如统计分析、数据清洗等。
从字典创建 Series，字典的键成为索引
import pandas as pddata_dict = {'a': 1, 'b': 2, 'c': 3}series_dict = pd.Series(data_dict)print(series_dict)
使用特定的索引创建 Series
import pandas as pdindex = ['x', 'y', 'z']series_with_index = pd.Series([1, 2, 3], index=index)print(series_with_index)
用列表创建 Series 的例子
import numpy as npimport pandas as pds=pd.Series([1,2,3,np.nan,5,6])print(s)----------执行以上程序，返回的结果为----------0 1.01 2.02 3.03 NaN4 5.05 6.0dtype: float64
访问 Series 中的数据
## 访问单个元素
se=pd.Series([1,2,3,np.nan,5,6])
value = se[0]
print(value)
可以看见访问series的单个元素1.0
访问Series多个元素
se=pd.Series([1,2,3,np.nan,5,6])
values = series[[0, 2]]
print(values)
访问Series多个元素1.0和3.0，也就是第0、2个（程序），第1、3个
使用索引标签访问Series
import numpy as np
import pandas as pd
se=pd.Series({'a': 1, 'b': 2, 'c': 3})
print(se)
values = se['b']
print(values)
修改 Series 中的数据
修改Series单个元素
se=pd.Series([1,2,3,np.nan,5,6])
print(se)
se[0] = 10
print(se)
修改Series多个元素
se=pd.Series([1,2,3,np.nan,5,6])
print(se)
se[[0, 2]] = [10, 20]
print(se)
Series 描述统计信息
import numpy as np
import pandas as pd
se=pd.Series([1,2,3,np.nan,5,6])
print(se)
description = se.describe()
print(description)
可以看到describe有8个数值返回了包括最大值、最小值、非空数量、平均数、标准差（表示数据点相对于均值的平均偏离程度。标准差越大，表示数据分布越分散；标准差越小，表示数据分布越集中。）
填充缺失值
import numpy as np
import pandas as pd
se=pd.Series([1,2,3,np.nan,5,6])
print(se)
filled_series = se.fillna(0)
print(filled_series)
可以看见成功填充了第4个nan为0，具体可以详细查看fillna()
应用apply函数
import numpy as np
import pandas as pd
se=pd.Series([1,2,3,np.nan,5,6])
print(se)
transformed_series = se.apply(lambda x: x * 2)
print(transformed_series)
可以看见非空数值都开平方了
Series 是 Pandas 中进行数据分析和处理的一个非常基础且强大的工具，无论是单独使用还是在构建更复杂的数据结构如 DataFrame 时。