【Python进阶(七)】——Series数据结构

🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

个人介绍: 研一|统计学|干货分享
         擅长Python、Matlab、R等主流编程软件
         累计十余项国家级比赛奖项,参与研究经费10w、40w级横向

文章目录

  • 1 Series的主要特点
  • 2 Series的定义方法
  • 3 Series的操作方法

【Python进阶(六)】------随机数与数组,建议收藏!

该篇文章主要讲解了Python数据结构之Series,首先阐述了该数据结构的特点,然后利用Python展示了其定义方法和操作方法。

1 Series的主要特点

在Python的pandas库中,Series是一个一维的数组型对象,它能够保存任何数据类型(整数、字符串、浮点数、Python对象等),它带有一个轴标签(即索引),使得数据操作变得非常简单和直观。以下是Series的一些主要特点:

  1. 带有标签的一维数组:
    • Series对象类似于NumPy的一维数组(ndarray),但是每个元素都有一个与之相关联的索引标签。
  2. 索引:
    • Series的索引可以是任何数据类型(整数、字符串、日期时间等),这使得Series非常适合用于时间序列数据。
    • 索引是自动生成的,通常是0到N-1的整数,除非明确指定了其他索引。
  3. 数据类型:
    • Series可以保存任何数据类型,包括整数、浮点数、字符串、布尔值等。
    • 如果Series中的数据类型不一致,它会自动转换为最通用的数据类型(例如,将整数转换为浮点数以包含小数)。
  4. 数据操作:
    • 提供了许多用于数据分析和处理的方法,如算术运算、排序、筛选、分组等。
    • 可以使用索引或条件表达式来访问或修改Series中的元素。
  5. 与DataFrame的兼容性:
    • Series是pandas中更复杂的二维数据结构DataFrame的基础。
    • 可以将多个Series组合成一个DataFrame,或将DataFrame的列视为单独的Series对象进行处理。
  6. 内存效率:
    • 与纯Python列表相比,Series对象在内存使用上更加高效,因为它们使用了NumPy的底层数组结构。
  7. 缺失数据处理:
    • Series支持缺失数据(NaN),这使得它非常适合处理现实世界中的数据集,其中可能包含缺失或无效的值。
    • 提供了多种方法来处理缺失数据,如填充、删除或插值。
  8. 绘图集成:
    • Series对象与Matplotlib等绘图库无缝集成,可以轻松创建各种数据可视化图表。
  9. 与NumPy的兼容性:
    • Series的底层实现基于NumPy的数组,因此它继承了NumPy的许多功能和性能优势。
  10. 扩展性:
    • 可以使用自定义的函数和方法来扩展Series的功能,以满足特定的数据分析需求。

2 Series的定义方法

运行程序:

import pandas as pd
mySeries1=pd.Series(data = [11,12,13,14,15,16,17],index=["a","b","c","d","e","f","g"]) 
mySeries1

运行结果:

a    11
b    12
c    13
d    14
e    15
f    16
g    17
dtype: int64

PS :

1.pd.Series([11,12,13,14,15,16,17], index=[a,b,c,d,e,f,g]) #index为字符串时,需要双引号或单引号;

2.当data只包含一个元素时,series对象的定义支持"循环补齐";

3.当series值多与一个时,值数和索引数需一致。

3 Series的操作方法

运行程序:

import pandas as pd
mySeries4=pd.Series([21,22,23,24,25,26,27], index=["a","b","c","d","e","f","g"]) 
mySeries4.index#显示索引

mySeries4.values  #显示值

mySeries4['b']#索引b所对应值

mySeries4["b"] #索引b所对应值

mySeries4[["a","b","c"]]  #索引a、b、b所对应值


mySeries4["a":"d"] #索引a-d所对应值


mySeries4[1:4:2]#第2个-第5个,步长为2


mySeries4


"c" in mySeries4 #判断索引c是否在series中

"h" in mySeries4#判断索引h是否在series中

import pandas as pd
mySeries4=pd.Series([21,22,23,24,25,26,27], index=["a","b","c","d","e","f","g"]) 
mySeries5=mySeries4.reindex(index=["b","c","a","d","e","g","f"]) #修改索引
mySeries5 

mySeries5=mySeries4.reindex(index=["b","c","a","d","e","g","f"]) #修改索引
mySeries4 

mySeries5=mySeries4.reindex(index=["new1","c","a","new2","e","g","new3"])#更新索引次序,不存在则为nan

mySeries5

mySeries4

运行结果:

array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])
array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])
array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])Index(['a', 'b', 'c', 'd', 'e', 'f', 'g'], dtype='object')
array([21, 22, 23, 24, 25, 26, 27], dtype=int64)
22
22
a    21
b    22
c    23
dtype: int64
a    21
b    22
c    23
d    24
dtype: int64
b    22
d    24
dtype: int64
a    21
b    22
c    23
d    24
e    25
f    26
g    27
dtype: int64
True
False
b    22
c    23
a    21
d    24
e    25
g    27
f    26
dtype: int64
a    21
b    22
c    23
d    24
e    25
f    26
g    27
dtype: int64
new1     NaN
c       23.0
a       21.0
new2     NaN
e       25.0
g       27.0
new3     NaN
dtype: float64
a    21
b    22
c    23
d    24
e    25
f    26
g    27
dtype: int64
相关推荐
不去幼儿园8 分钟前
【MARL】深入理解多智能体近端策略优化(MAPPO)算法与调参
人工智能·python·算法·机器学习·强化学习
Mr_Xuhhh10 分钟前
重生之我在学环境变量
linux·运维·服务器·前端·chrome·算法
Ajiang28247353041 小时前
对于C++中stack和queue的认识以及priority_queue的模拟实现
开发语言·c++
盼海1 小时前
排序算法(五)--归并排序
数据结构·算法·排序算法
幽兰的天空1 小时前
Python 中的模式匹配:深入了解 match 语句
开发语言·python
Theodore_10224 小时前
4 设计模式原则之接口隔离原则
java·开发语言·设计模式·java-ee·接口隔离原则·javaee
网易独家音乐人Mike Zhou5 小时前
【卡尔曼滤波】数据预测Prediction观测器的理论推导及应用 C语言、Python实现(Kalman Filter)
c语言·python·单片机·物联网·算法·嵌入式·iot
安静读书5 小时前
Python解析视频FPS(帧率)、分辨率信息
python·opencv·音视频
----云烟----6 小时前
QT中QString类的各种使用
开发语言·qt
lsx2024066 小时前
SQL SELECT 语句:基础与进阶应用
开发语言