pandas两个主要数据结构之一——Series

• 类似于一维数组，由一组数据和与其相关的一组索引组成

obj = Series([4, 7, -5, 3], index=[‘d‘, ‘b‘, ‘a‘, ‘c‘]) 
print(obj)
‘‘‘
d    4
b    7
a   -5
c    3
dtype: int64
‘‘‘

• 可通过索引，选取单个或多个值

tmp = [‘a‘, ‘b‘]
print(obj[tmp])
"""
a   -5
b    7
dtype: int64
"""

• 也可根据布尔型数组进行运算

print(obj[obj > 0])
print(obj*2)
"""
d    4
b    7
c    3
dtype: int64
d     8
b    14
a   -10
c     6
dtype: int64
"""

• 还可以看作是定长的有序字典

data = {‘a‘: 1, ‘b‘: 2, ‘c‘: 3, ‘d‘: -1}
obj2 = Series(data)  # 通过字典直接生成Series
print(obj2)
"""
a    1
b    2
c    3
d   -1
dtype: int64
"""

t = ‘a‘ in obj2  # 判断‘a’是否为obj2索引
print(t)
"""
True
"""

• 生成Series时，无对应值自动填充为 NaN，且Series对数据会根据索引自动对齐

# 如果 obj2 = Series(data, index = ...) 中，index对应无对应值，则其填充为NaN
index = [‘a‘, ‘e‘, ‘b‘, ‘c‘, ‘d‘]  # 多了一个‘e’，并且位置不同（在生成时会自动对齐）
obj3 = Series(data, index=index)
print(obj3)
"""
a    1.0
e    NaN
b    2.0
c    3.0
d   -1.0
dtype: float64
"""

# 数据是否缺失可用isnull检测
print(obj3.isnull())
"""
a    False
e     True
b    False
c    False
d    False
dtype: bool
"""

• Series可进行运算,不过与NaN运算结果始终为NaN

obj4 = Series({‘a‘: 1, ‘b‘: 2, ‘d‘: -1, ‘e‘: 5})
print(obj4)
print(obj3+obj4)
"""
a    1
b    2
d   -1
e    5
dtype: int64

# obj4 中无‘c’索引，其默认为NaN
# 运算完后会自动排序
a    2.0
b    4.0
c    NaN
d   -2.0
e    NaN
dtype: float64
"""

• Series本身及其索引均有一个name属性

obj4.name = ‘obj4‘
obj4.index.name = ‘index‘
print(obj4)
"""
index
a    1
b    2
d   -1
e    5
Name: obj4, dtype: int64
"""

• Series索引可通过赋值方式就地修改

obj4.index = [1, 2, 3, 4] # 索引个数要相同，且更改后索引名会清空
print(obj4)
"""
1    1
2    2
3   -1
4    5
Name: obj4, dtype: int64
"""

pandas的数据结构介绍（一）—— Series