一、Pandas Series对象
Pandas 是基于 NumPy 设计实现的 Python 数据分析库，Pandas 提供了大量的能让我们高效处理数据的函数和方法，也纳入了很多数据处理的库以及一些数据模型，可以说非常强大。
可以使用以下命令进行安装：
conda install pandas # 或 pip install pandas
Series数据结构
Pandas 最常用的数据结构主要有两种：Series 和 DataFrame，这篇文章主要介绍一下Series及如何创建Series对象。
Series 是一维数组，由一列索引index和一列值values组成，索引和值是一一对应的，可以存储不同种类的数据类型，字符串、布尔值、数字、Python对象等都可以。
创建Series对象
创建Series对象的格式如下：
s = pd.Series(data, index)
参数data为数据，可以是字典、列表、Numpy的 ndarray 数组等；
参数index为索引，值必须唯一，类似于Python字典的键，可以不传，默认为从0开始递增的整数。
从列表创建：
data = ["a", "b", "c", "d", "e"] s = pd.Series(data) s
从字典创建：
当data为字典时，如果没有传入索引的话，会按照字典的键来构造索引，索引对应的值就是字典的键对应的值。
data = {"a": 1, "b": 2, "c": 3}
s = pd.Series(data)
s结果输出如下：
a 1
b 2
c 3
dtype: int64
从 ndarray 数组创建：
ndarray 为Numpy 的数组类型，在Python数据分析 Numpy 的使用方法的文章已经介绍过。
data = np.array([1, 2, 3, 4]) s = pd.Series(data) s
我们可以通过创建的Series对象，调用相应的属性和方法来进行数据的处理分析等。下面继续来看Series对象的基本操作
二、Series对象的基本操作
Series 常用属性
- index：获取索引
- values：获取数组
- size：获取元素数量
- dtype：获取对象的数据类型
获取索引及修改索引：
data = ["a", "b", "c", "d"] s = pd.Series(data) print(s.index) s.index = ["A", "B", "C", "D"] print(s.index)
结果输出如下：
RangeIndex(start=0, stop=4, step=1) Index(['A', 'B', 'C', 'D'], dtype='object')
指定索引对应元素的获取、修改及删除：
Series 通过索引获取、修改及删除对应元素和Python字典的操作有些类似，具体使用方法如下：
# 获取数据
print(s["A"])
# 修改数据
s['A'] = 99
# 删除数据
s = s.drop("B")
s另外，Series 也支持通过筛选条件获取数据，例如获取能被2整除的数据：
data = np.array([1, 2, 3, 4]) s = pd.Series(data) s[s%2==0]
Series 切片：
Series 切片操作同Python列表的切面也是类似的，如下：
s[0:3]
表示取第0、1、2个数据。
也可以使用索引值来进行切片，例如获取索引值B-D的值：
s["B":"D"] 复制代码
Series 常用方法
- head(n)：返回前n行数据，默认前5行
- tail(n)：返回后n行数据，默认后5行
- isnull()&nonull()：判断是否为空，返回True和False
- sort_values()：排序，通过传递ascending参数来确定升序or降序，默认为True，表示升序
- dropna()：删除空值
Series 运算
统计信息：
可以通过describe()方法获取统计信息，如下：
也可以通过如下方法分别获取：
- min()：获取最小值
- max()：获取最大值
- mean()：获取均值
- median()：获取中位数
- sum()：获取总和
- count()：获取总数
- ······
四则运算：
s 2 # 对每个元素进行 2 s*100 # 对每个元素乘100
也可以调用如下方法进行：加法add()、减法sub()、乘法mul()、除法div()。
到此这篇关于Python数据分析之 Pandas Series对象的文章就介绍到这了,更多相关Pandas Series对象内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！