2.1_pandas之Series属性和方法

创建 Series

Series 是 Pandas 中最基本的一维数据结构，可以存储不同类型的数据。本节将介绍创建 Series 的多种方法。
在这里插入图片描述

1. 从列表创建

import pandas as pd

# 从列表创建，默认索引为0开始的整数
data = [1, 2, 3, 4]
s = pd.Series(data)
print(s)

输出：

0    1
1    2
2    3
3    4
dtype: int64

2. 从字典创建

data = {'a': 1, 'b': 2, 'c': 3}
s = pd.Series(data)
print(s)

输出：

a    1
b    2
c    3
dtype: int64

3. 指定索引

data = [1, 2, 3]
index = ['x', 'y', 'z']
s = pd.Series(data, index=index)
print(s)

输出：

x    1
y    2
z    3
dtype: int64

4. 从标量值创建

# 创建长度为5的Series，所有值都为10
s = pd.Series(10, index=range(5))
print(s)

输出：

0    10
1    10
2    10
3    10
4    10
dtype: int64

5. 从NumPy数组创建

import numpy as np

arr = np.array([1.1, 2.2, 3.3])
s = pd.Series(arr)
print(s)

输出：

0    1.1
1    2.2
2    3.3
dtype: float64

6. 指定数据类型

data = [1, 2, 3]
s = pd.Series(data, dtype='float32')
print(s.dtype)

输出：

float32

7. 从文件读取创建

# 从CSV文件读取
s = pd.read_csv('data.csv', squeeze=True)

8. 创建带名称的Series

s = pd.Series([1, 2, 3], name='my_series')
print(s.name)

输出：

my_series

9. 创建时间序列

dates = pd.date_range('20230101', periods=3)
s = pd.Series([1, 2, 3], index=dates)
print(s)

输出：

2023-01-01    1
2023-01-02    2
2023-01-03    3
Freq: D, dtype: int64

10. 创建分类数据

s = pd.Series(['a', 'b', 'c'], dtype='category')
print(s)

输出：

0    a
1    b
2    c
dtype: category
Categories (3, object): ['a', 'b', 'c']

以上是创建 Series 的常用方法，根据不同的数据来源和需求，可以选择最适合的创建方式。

Series 的属性和方法

Series 是 Pandas 中最基本的数据结构之一，它是一个一维的标签数组。本节将介绍 Series 的常用属性和方法。

常用属性

1. values

返回 Series 的 NumPy 数组表示

import pandas as pd

s = pd.Series([1, 2, 3, 4])
print(s.values)

输出：

[1 2 3 4]

2. index

返回 Series 的索引对象

s = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
print(s.index)

输出：

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

3. dtype

返回 Series 的数据类型

s = pd.Series([1.1, 2.2, 3.3])
print(s.dtype)

输出：

float64

常用方法

1. head()

返回前 n 行数据，默认 n=5

s = pd.Series(range(10))
print(s.head(3))

输出：

0    0
1    1
2    2
dtype: int64

2. tail()

返回最后 n 行数据，默认 n=5

s = pd.Series(range(10))
print(s.tail(3))

输出：

7    7
8    8
9    9
dtype: int64

3. describe()

生成描述性统计信息

s = pd.Series([1, 2, 3, 4, 5])
print(s.describe())

输出：

count    5.0
mean     3.0
std      1.581139
min      1.0
25%      2.0
50%      3.0
75%      4.0
max      5.0
dtype: float64

4. isnull()

检测缺失值

s = pd.Series([1, None, 3])
print(s.isnull())

输出：

0    False
1     True
2    False
dtype: bool

5. fillna()

填充缺失值

s = pd.Series([1, None, 3])
print(s.fillna(0))

输出：

0    1.0
1    0.0
2    3.0
dtype: float64

6. apply()

应用函数到每个元素

s = pd.Series([1, 2, 3])
print(s.apply(lambda x: x**2))

输出：

0    1
1    4
2    9
dtype: int64

7. sort_values()

按值排序

s = pd.Series([3, 1, 2])
print(s.sort_values())

输出：

1    1
2    2
0    3
dtype: int64

8. unique()

返回唯一值数组

s = pd.Series([1, 2, 2, 3])
print(s.unique())

输出：

[1 2 3]

9. value_counts()

返回每个值的计数

s = pd.Series(['a', 'b', 'a', 'c'])
print(s.value_counts())

输出：

a    2
b    1
c    1
dtype: int64

10. drop()

删除指定索引的值

s = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
print(s.drop('b'))

输出：

a    1
c    3
dtype: int64

以上是 Series 最常用的属性和方法，掌握这些可以帮助您更好地处理一维数据。
在这里插入图片描述