今天给大家介绍Series的创建方式和常用属性说明。
① list列表,列表中的元素可以是不同的数据类型,使用从0开始的整数值作为默认索引;
② ndarray数组,数组中的元素必须是同种数据类型,也是使用从0开始的整数值作为默认索引;
③ Series序列,是一种一维的结构,类似于一维列表和ndarray中的一维数组,但是功能比他们要更为强大,Series由两部分组成:索引index和数值values;
④ 一维列表和一维数组中都是采用从0开始的整数值作为默认索引,索引值一般不显示的给出,但是我们可以通过索引去获取其中的元素。对于Series来说,默认索引也是从0开始的整数值作为默认索引,但是是显示地给出,更为强大的是,Series中的索引可以随意设置,方便我们取数。
操作如下:
import numpy as np
import pandas as pd
l1 = [1,2,"中国",4.5]
display(l1)
display(l1[2])
a1 = np.array([1,2,5,6,8])
display(a1)
display(a1[4])
s1 = pd.Series([1,3,5,7,9])
display(s1)
display(s1[4])
s2 = pd.Series([1,3,5,7,9],index=["a","b","c","d","e"])
display(s2)
display(s2["d"])
display(s2[3])
s3 = pd.Series([1,3,5,7,9],index=[3,4,5,6,7])
display(s3)
display(s3[6])
结果如下:
通过上述测试,我们可以总结出来这第5条结论:
⑤ 创建Series序列时,当不指定索引的时候,默认会生成从0开始的整数索引;当指定了“字符串索引”(也叫“标签索引”),既可以通过这个字符串索引访问元素,也可以通过原有的从0开始的整数索引访问元素;当指定一个“整数索引”,那么该索引会覆盖掉原有的默认的整数索引,只能通过这个新的整数索引访问元素,默认的整数索引会失效。
1)通过一维列表创建Series
x = [1,3,5,7,9]
y = pd.Series(x)
display(y)
y1 = pd.Series(x,index=["a","b","c","d","e"],dtype=np.float32)
display(y1)
结果如下:
2)通过可迭代对象创建Series
x = range(2,7)
y = pd.Series(x)
display(y)
结果如下:
3)通过字典创建Series
x = dict(a=22,b=18,c=35)
y = pd.Series(x)
display(y)
x1 = pd.Series({"a":1,"b":2,"c":3})
display(x1)
结果如下:
4)通过一维数组创建Series
x = np.arange(1,6)
y = pd.Series(x)
display(y)
结果如下:
5)通过标量(常数)创建Series
x = 22
y1 = pd.Series(x)
display(y1)
y2 = pd.Series(x,index=list(range(5)))
display(y2)
结果如下:
注意:创建一个含有相同元素的Series,元素的个数取决于我们设置的索引的个数。
1)Series和ndarray中常用属性对比
* ndim 返回Series的维数;
* shape 返回Series的形状;
* dtype 返回Series中元素的数据类型;
* size 返回Series中元素的个数;
* itemsize 返回Series中每一个元素占用空间的大小,
以字节为单位;
* nbytes 返回Series中所有元素占用空间的大小,
以字节为单位;
* T 返回Series的转置结果;
#注意:下面这3个属性,在Series中才有。
* index 返回Series中的索引;
* values 返回Series中的数值;
* name 返回Series的名称 或 返回Series索引的名称;
* ndim 返回数组的维数;
* shape 返回数组的形状;
* dtype 返回数组元素的数据类型;
* size 返回数组中元素的个数;
* itemsize 返回数组中每一个元素占用空间的大小,以字节为单位;
* nbytes 返回数组中所有元素占用空间的大小,以字节为单位;
* T 返回数组元素的转置结果;
操作如下:
s = pd.Series([1,3,5,7,9])
display(s)
display(s.ndim)
display(s.shape)
display(s.dtype)
display(s.size)
display(s.itemsize)
display(s.nbytes)
display(s.T)
结果如下:
注意:
① 由于Series是一维的结构,因此Series的ndim的值肯定是1;
② 关于itemsize还有nbytes的具体用法,可以参考之前的一篇文章去了解
2)Series中特有的几个属性:index、values、name
① index和values属性
x = pd.Series([1,3,5,7,9])
display(x)
display(x.index)
display(x.values)
结果如下:
② name属性:动态创建Serie名称和Series索引名称
x = pd.Series([1,3,5,7,9])
display(x)
x.name = "Series的名称"
x.index.name= "Series索引的名称"
display(x)
display(x.name)
display(x.index.name)
结果如下:
③ 在创建Series的时候,指定Series名称
y = pd.Series([1,3,5,7,9],index=["a","b","c","d","e"],name="Series的名称")
display(y)
display(y.index.name)
display(y.name)
结果如下:
注意:目前可能看不出来,指定这个索引名称的好处在哪里,这个在学习DataFrame的时候,会得到很好的体现。
如果多个series放在了一起,那么必然可以构建成一个dataframe,那么每个series的名称就是构成当前这个dataframe的column。(仔细先体会这段话)
下面,我们先用一个简单的例子,说明一下Serie名称的作用。
从上图中可以看出,In[6]我们先创建了一个dataframe,这个dataframe可以看作是由三个Series堆积而成的。In[8]我们选取了其中一列,那么得到的就是一个Series, In[9]我们获取这个Series的name,可以看出结果就是该列的column列名。
扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2025 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号:粤B2-20090059 深公网安备号 44030502008569
腾讯云计算(北京)有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287
Copyright © 2013 - 2025 Tencent Cloud.
All Rights Reserved. 腾讯云 版权所有