Python----数据分析（Pandas二：一维数组Series，Series的创建，Series的属性，Series中元素的索引与访问）

一、一维数组Series

   Series：一维数组,与Numpy中的一维array类似。它是一种类似于一维数组的对象，是由一组数据(各种 NumPy 数据类型)以及一组与之相关的数据标签(即索引)组成。

        仅由一组数据也可产生简单的 Series 对象，用值列表生成 Series 时，Pandas 默认自动生成整数索引 。

二、Series的创建

  在Pandas中，一维数组的创建离不开Pandas库中的Series类。

pandas.Series(data=None, index=None, dtype=None, name=None, copy=None, fastpath=False)

2.1、使用标量创建

import pandas as pd
data=0
series=pd.Series(data,index=['a','b','c'])
print(series)

a    0
b    0
c    0
dtype: int64

2.2、使用列表或元组创建

import pandas as pd
data1=[1,2,3,4,5]
data2=(1,2,3,4,5)
series1=pd.Series(data1,index=['a','b','c','d','e'])
series2=pd.Series(data2,index=['a','b','c','d','e'])
print(series1,series2)

a    1
b    2
c    3
d    4
e    5
dtype: int64 a    1
b    2
c    3
d    4
e    5
dtype: int64

2.3、使用字典

        使用字典创建Series时，字典的键就是索引，字典的值就是该索引对应的值。如果使 用字典创建Series，并且指定了与字典的键不同的index参数，那么生成的Series数组 中的数据就是以index参数的值为索引，但索引所对应的值是NaN。

        在Pandas中， NaN（Not a Number）是一个特殊的浮点数，用于表示缺失数据或无 效数据。NaN 是 IEEE 浮点标准的一部分，Pandas 使用 NaN 来表示数据集中缺失或 未定义的值。

import pandas as pd
data={
    'a':1,
    'b':2,
    'c':3
}
series=pd.Series(data)
print(series)

a    1
b    2
c    3
dtype: int64

2.4、使用数组

import pandas as pd
import numpy as np
data=np.array(
    [1,2,3,4,5]
)
series=pd.Series(data)
print(series)

0    1
1    2
2    3
3    4
4    5
dtype: int64

三、Series的属性

3.1、index

        返回Series中的索引。

import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.index)
series.index=['e','f','g']
print(series.index)

Index(['a', 'b', 'c'], dtype='object')
Index(['e', 'f', 'g'], dtype='object')

3.2、values

        用于返回Series中的数据，返回的数据将以Ndarray数组的形式存在。

import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.values)
print(type(series.values))

[1 2 3]
<class 'numpy.ndarray'>

3.3、name

        用于返回Series的名称，如果创建时指定了name参数，那么该属性的返回值就是 name参数，如果没有指定则为None。

import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.name)
series.name='test'
print(series.name)

None
test

3.4、dtype和dtypes

        对于Series来说，dtype和dtypes的作用是一样的，都是用来返回Series对象的数据 类型。 需

        要注意的是：

                        该属性是只读属性，不可以通过直接赋值的方式去修改数据类型。

import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.dtype)

int64

3.5、shape

        用于描述Series的形状。

import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.shape)

(3,)

3.6、 size

         用于返回Series的元素数量，该返回值是一个整数。

import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.size)

3

3.7、empty

        用来表示Series数组是否为空，返回值一个布尔值，如果数组里一个元素都没有就返 回True，否则返回False。

import pandas as pd
series=pd.Series()
print(series.empty)

True

3.8、hasnans

        用于返回数组中是否包含NaN值，如果数组中存在NaN，那么返回True，否则返回 False。

import pandas as pd
import numpy as np
series=pd.Series([1,2,np.nan],index=['a','b','c'])
print(series.hasnans)

True

3.9、is_unique

        用于返回数组中的元素是否为独一无二的，如果所有的元素都是独一无二的，即数组 中没有重复元素，那么就返回True，否则返回False。

import pandas as pd
import numpy as np
series=pd.Series(['a','b','c'])
print(series.is_unique)

True

3.10、nbytes

        用于返回该Series对象中所有数据占用的总字节数。

import pandas as pd
series=pd.Series([1,2,3],dtype='int64')
print(series.nbytes)

8

3.11、axes

        用于返回series对象行轴标签的列表。

import pandas as pd
series = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'], dtype='int64')
print(series.axes)

[Index(['a', 'b', 'c', 'd', 'e'], dtype='object')]

3.12、ndim

        返回Series数组的维度，对于Series数组来说，它的维度始终为1。

import pandas as pd
series = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'], dtype='int64')
print(series.ndim)

1

3.13、array

        用于返回Series的底层数组，包括数组的元素、数组的长度及数组元素的数据类型。

import pandas as pd
import numpy as np
data = np.array([1, 2, 3, 4, 5])
series = pd.Series(data)
print(series.array)
print(type(series.array))

<NumpyExtensionArray>
[np.int64(1), np.int64(2), np.int64(3), np.int64(4), np.int64(5)]
Length: 5, dtype: int64
<class 'pandas.core.arrays.numpy_.NumpyExtensionArray'>

3.14、attrs

        返回series的自定义属性，可以用来存储额外的说明性数据。

import pandas as pd
import numpy as np
data = np.array([1, 2, 3, 4, 5])
print(series.attrs)
series.attrs = {'source': 'file1', 'time': '19:27:27'}
print(series)
print('额外属性', series.attrs)

{}
0    1
1    2
2    3
3    4
4    5
dtype: int64
额外属性 {'source': 'file1', 'time': '19:27:27'}

3.15、is_monotonic_decreasing

        返回一个布尔值，表示Series是否按降序排列。

import pandas as pd
series = pd.Series([5, 4, 3, 2, 1])
print(series.is_monotonic_decreasing)

True

3.16、is_monotonic_increasing

        返回一个布尔值，表示Series是否按升序排列。

import pandas as pd
series = pd.Series([5, 4, 3, 2, 1])
print(series.is_monotonic_increasing)

False

四、 Series中元素的索引与访问

4.1、位置索引

        可以使用整数索引来访问Series中的元素，就像访问列表一样。

import pandas as pd
series=pd.Series([10,20,30,40,50,60])

print(series[0])
print(series[1])

10
20

4.2、标签索引

        除了使用位置索引之外，还可以使用标签进行索引，与访问字典中的元素类似。

import pandas as pd
series=pd.Series([10,20,30,40,50],index=['a','b','c','d','e'])
print(series['a'])
print(series['c'])

10
30

4.3、切片索引

        Series对象的切片方式有两种，第一种是使用位置切片，其使用方法与列表的切片类 似；第二种是使用标签切片，其语法与位置切片类似，都是 start:stop，且开始值 与终止值可以省略，但与位置切片不同的是，标签切片的范围是左右都闭合，即既包 含start，又包含stop，而位置切片是左闭右开，只包含start，不包含stop。

import pandas as pd
series=pd.Series([10,20,30,40,50],index=['a','b','c','d','e'])
print(series[:])
print(series['b':'d'])

a    10
b    20
c    30
d    40
e    50
dtype: int64
b    20
c    30
d    40
dtype: int64

4.4、loc与iloc

        loc与iloc也是Series对象的属性，它们的作用就是用来访问Series中的元素，loc是基 于标签的索引，iloc是基于位置的索引。

import pandas as pd
series = pd.Series([10, 20, 30, 40, 50], index=['a', 'b', 'c', 'd', 'e'])
print(series.loc['a'])
print(series.iloc[0:2])
print(series.iloc[2])

10
a    10
b    20
dtype: int64
30

4.5、at与iat

        at与iat也是Series对象的属性，可以用来访问元素，at是基于标签的索引，iat是基于 位置的索引。

import pandas as pd
series = pd.Series([10, 20, 30, 40, 50], index=['a', 'b', 'c', 'd', 'e'])
print(series.at['a'])
print(series.iat[0])
print(series.iat[2])

10
10
30

4.6、head

        head是Series对象的方法，用于快速查看 Series数据的开头部分内容。

series.head(n=None)

import pandas as pd
data = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
index = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
series = pd.Series(data, index=index)
print(series.head())

a    10
b    20
c    30
d    40
e    50
dtype: int64

4.7、tail

        tail的用法与head类似，但不同的是，它用于快速查看Series数据的末尾部分内容。

series.tail(n=None)

import pandas as pd
data = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
index = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
series = pd.Series(data, index=index)
print(series.tail())

f     60
g     70
h     80
i     90
j    100
dtype: int64

4.8、isin

        该函数用于判断 Series中的每个元素是否在指定的一组值中，它会返回一个与原 Series长度相同的布尔型Series， 其中对应位置为True表示该位置的元素在指定 的值集合中，False则表示不在。

series.isin(values)

import pandas as pd
data = [10, 20, 30, 40, 50]
series = pd.Series(data)
values_to_check = [20, 40]
result = series.isin(values_to_check)
print(result)

0    False
1     True
2    False
3     True
4    False
dtype: bool

4.9、get

        Series.get 方法用于通过标签来获取Series中的元素。

Series.get(key, default=None)

import pandas as pd
s = pd.Series(['apple', 'banana', 'cherry'], index=[1, 2, 3])
print(s.get(2)) 
print(s.get(4, 'Not Found'))

banana
Not Found

五、思维导图