Pandas数据结构Series：基本概念及创建

"一维数组"Serise

`

Series 数据结构

Series 是带有标签的一维数组，可以保存任何数据类型（整数，字符串，浮点数，Python对象等）,轴标签统称为索引

导入numpy、pandas模块

import numpy as np
import pandas as pd

s = pd.Series(np.random.rand(6))

查看数据、数据类型

print(1,'-'30)
print(s)
print(2,'-'30)
print(type(s))

.index查看series索引，类型为rangeindex

.values查看series值，类型是ndarray

核心：series相比于ndarray，是一个自带索引index的数组 → 一维数组 + 对应索引

所以当只看series的值的时候，就是一个ndarray

series和ndarray较相似，索引切片功能差别不大

series和dict相比，series更像一个有顺序的字典（dict本身不存在顺序），其索引原理与字典相似（一个用key，一个用index）

print(3,'-'30)
print(s.index,type(s.index))
print(4,'-'30)
print(s.values,type(s.values))
print(5,'-'*30)
print(s.values[3],type(s.values[3]))

运行结果

1 ------------------------------
0 0.175871
1 0.932378
2 0.285359
3 0.566116
4 0.173775
5 0.143258
dtype: float64
2 ------------------------------
<class 'pandas.core.series.Series'>
3 ------------------------------
RangeIndex(start=0, stop=6, step=1) <class 'pandas.core.indexes.range.RangeIndex'>
4 ------------------------------
[0.1758707 0.93237793 0.2853594 0.5661159 0.17377525 0.14325832] <class 'numpy.ndarray'>
5 ------------------------------
0.5661159002308521 <class 'numpy.float64'>

`

# Series 创建方法一：由字典创建，字典的key就是index，values就是values

dic_1 = {'a':1 ,'b':2 , 'c':3, '4':4, '5':5}
s_1 = pd.Series(dic_1)
print(1,'-'*30)
print(s_1)
dic_2 = {'a':1 ,'b':2 , 'c':3, '4':4.0, '5':5}
s_2 = pd.Series(dic_2)
print(2,'-'*30)
print(s_2)
dic_3 = {'a':1 ,'b':'hello' , 'c':3, '4':4, '5':5}
s_3 = pd.Series(dic_3)
print(3,'-'*30)
print(s_3)
# 注意：key肯定是字符串，假如values类型不止一个会怎么样？ → dic = {'a':1 ,'b':'hello' , 'c':3, '4':4, '5':5}
#执行结果
1 ------------------------------
a    1
b    2
c    3
4    4
5    5
dtype: int64
2 ------------------------------
a    1.0
b    2.0
c    3.0
4    4.0
5    5.0
dtype: float64
3 ------------------------------
a        1
b    hello
c        3
4        4
5        5
dtype: object

# Series 创建方法二：由数组创建(一维数组)

arr = np.random.randn(4)
s = pd.Series(arr)
print(1,'-'*30)
print(arr)
print(2,'-'*30)
print(s)
# 默认index是从0开始，步长为1的数字

s = pd.Series(arr, index = ['a','b','c','d'],dtype = np.object)
print(3,'-'*30)
print(s)
# index参数：设置index，长度保持一致
# dtype参数：设置数值类型
#运行结果
1 ------------------------------
[-0.80928727  0.43796425 -0.43463228 -1.04496999]
2 ------------------------------
0   -0.809287
1    0.437964
2   -0.434632
3   -1.044970
dtype: float64
3 ------------------------------
a   -0.809287
b    0.437964
c   -0.434632
d    -1.04497
dtype: object

# Series 创建方法三：由标量创建

s = pd.Series(10, index = range(1,7))
print(s)
# 如果data是标量值，则必须提供索引。该值会重复，来匹配索引的长度
#运行结果
1    10
2    10
3    10
4    10
5    10
6    10
dtype: int64

# Series 名称属性：name

s1 = pd.Series(np.random.randn(5),index=range(1,6))
print(1,'-'*30)
print(s1)
s2 = pd.Series(np.random.randn(5),name = 'test')
print(2,'-'*30)
print(s2)
print(3,'-'*30)
print(s1.name, s2.name,type(s2.name))
# name为Series的一个参数，创建一个数组的 名称
# .name方法：输出数组的名称，输出格式为str，如果没用定义输出名称，输出为None

s3 = s2.rename('rename_test')
print(4,'-'*30)
print(s3)
print(5,'-'*30)
print(s3.name, s2.name)
# .rename()重命名一个数组的名称，并且新指向一个数组，原数组不变
#执行结果
1 ------------------------------
1    0.683608
2   -0.329336
3   -0.020329
4   -0.169462
5    1.509744
dtype: float64
2 ------------------------------
0    0.214686
1    0.119231
2   -1.665089
3   -0.099371
4    1.048900
Name: test, dtype: float64
3 ------------------------------
None test <class 'str'>
4 ------------------------------
0    0.214686
1    0.119231
2   -1.665089
3   -0.099371
4    1.048900
Name: rename_test, dtype: float64
5 ------------------------------
rename_test test