【Python从入门到进阶】58、Pandas库中Series对象的操作(一)
Pandas库中的Series对象是一种强大而灵活的数据结构，它不仅能够存储多种类型的数据，而且具有许多实用的属性和方法，可以帮助我们高效地进行数据分析和处理。在接下来的内容中，我们将详细介绍Series对象的创建、基本属性、数据操作、运算等方面的内容，并通过案例实践来展示其应用。
接上篇《57、Pandas入门指南：背景、应用场景与基本操作》
上一篇我们讲解了Pandas的背景以及应用场景与基本操作，本篇我们来讲解Pandas库中Series对象的基本概念和相关操作。
一、引言
Pandas库中的Series对象是其核心数据结构之一，它在数据分析中扮演着重要的角色。Series可以视为一种带有标签的一维数组，能够高效地处理各种类型的数据。
首先，Series类似于一维数组，但与之不同的是，Series的每个元素都拥有一个标签，这些标签被称为“索引”（index）。这种标签化的特性使得Series在数据分析和处理中非常灵活和方便。
其次，Series可以存储多种类型的数据，包括但不限于整数（int）、浮点数（float）、字符串（str）、布尔值（bool）、Python对象等。这种数据类型的多样性使得Series能够处理各种复杂的数据集，并满足各种数据分析和处理的需求。
在Pandas中，Series对象具有许多实用的属性和方法，如索引（index）、数据（values）、数据类型（dtype）、形状（shape）等属性，以及切片、筛选、排序、运算等操作。这些属性和方法使得我们可以方便地对数据进行各种处理和分析。
此外，Series对象还可以与Pandas中的另一个核心数据结构——DataFrame进行交互。DataFrame是一个二维的、大小可变的、且可以包含异构类型列的表格型数据结构，而Series则可以被视为DataFrame的一列。因此，我们可以通过将Series对象嵌入到DataFrame中，来实现更复杂的数据处理和分析任务。
总之，Pandas库中的Series对象是一种强大而灵活的数据结构，它不仅能够存储多种类型的数据，而且具有许多实用的属性和方法，可以帮助我们高效地进行数据分析和处理。在接下来的内容中，我们将详细介绍Series对象的创建、基本属性、数据操作、运算等方面的内容，并通过案例实践来展示其应用。
二、Series对象的创建
在Pandas库中，Series对象可以通过多种方式创建。这些方式主要基于Python中常见的数据结构，如列表、字典、NumPy数组等。以下是几种常见的创建Series对象的方法：
1、使用列表创建Series
当我们有一个包含数据的列表，并且想要将其转换为一个带有索引的Series对象时，可以直接使用Pandas的Series()函数。默认情况下，列表中的元素会成为Series的数据，而索引则会自动从0开始递增。
import pandas as pd
data = [1, 2, 3, 4, 5]
s = pd.Series(data)
print(s)
# 输出:
# 0 1
# 1 2
# 2 3
# 3 4
# 4 5
# dtype: int64如果希望自定义索引，可以传递一个额外的参数index给Series()函数。
index = ['a', 'b', 'c', 'd', 'e']
s = pd.Series(data, index=index)
print(s)
# 输出:
# a 1
# b 2
# c 3
# d 4
# e 5
# dtype: int642、使用字典创建Series
字典是Python中用于存储键值对的数据结构。在创建Series时，字典的键会被用作索引，而值则成为数据。
dict_data = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5}
s = pd.Series(dict_data)
print(s)
# 输出:
# a 1
# b 2
# c 3
# d 4
# e 5
# dtype: int64如果字典的键不是唯一的，Pandas会保留最后一个出现的值。
3、使用NumPy数组创建Series
NumPy是Python中用于科学计算的库，它提供了高效的数组和矩阵运算。当我们有一个NumPy数组时，可以直接将其传递给Series()函数来创建一个Series对象。
import numpy as np
np_data = np.array([1, 2, 3, 4, 5])
s = pd.Series(np_data)
print(s)
# 输出:
# 0 1
# 1 2
# 2 3
# 3 4
# 4 5
# dtype: int64同样，我们也可以指定索引。
index = ['a', 'b', 'c', 'd', 'e']
s = pd.Series(np_data, index=index)
print(s)
# 输出:
# a 1
# b 2
# c 3
# d 4
# e 5
# dtype: int644、使用标量值创建Series
如果我们想创建一个所有元素都相同的Series，可以传递一个标量值（如整数、浮点数、字符串等）给Series()函数，并指定索引的长度。
index = ['a', 'b', 'c', 'd', 'e']
s = pd.Series(1, index=index)
print(s)
# 输出:
# a 1
# b 1
# c 1
# d 1
# e 1
# dtype: int645、从其他数据结构创建Series
Pandas还支持从其他数据结构（如CSV文件、Excel文件、SQL数据库等）中读取数据并创建Series对象。这通常涉及到使用Pandas的read_csv()、read_excel()等函数，但这些内容超出了本节的讨论范围。
总之，Pandas提供了多种灵活的方式来创建Series对象，使得我们能够方便地将各种类型的数据转换为Pandas的数据结构进行后续处理和分析。
三、Series对象的基本属性
Series对象在Pandas库中提供了多种基本属性，这些属性帮助我们快速获取关于数据序列的重要信息。以下是Series对象的一些基本属性及其描述：
1、index
index属性用于获取Series对象的索引标签。这些标签默认是整数，从0开始递增，但也可以在创建Series时自定义。
import pandas as pd
s = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'])
print(s.index)
# 输出: Index(['a', 'b', 'c', 'd', 'e'], dtype='object')2、values
values属性返回一个NumPy数组，其中包含Series中的数据。这个属性提供了对数据的直接访问，允许我们使用NumPy的函数和方法来操作数据。
s = pd.Series([1, 2, 3, 4, 5])
print(s.values)
# 输出: array([1, 2, 3, 4, 5])3、dtype
dtype属性用于获取Series中数据的数据类型。Pandas会根据数据的内容自动推断数据类型，如整数、浮点数、字符串等。
s = pd.Series(['a', 'b', 'c', 'd', 'e'])
print(s.dtype)
# 输出: dtype('O') # 注意：'O'表示对象类型，通常用于存储字符串
s = pd.Series([1, 2, 3, 4, 5])
print(s.dtype)
# 输出: dtype('int64')4、shape
shape属性返回一个元组，表示Series的维度。对于Series来说，它总是返回一个包含一个元素的元组，表示数据的长度。
s = pd.Series([1, 2, 3, 4, 5])
print(s.shape)
# 输出: (5,)5、size
size属性返回Series中元素的数量，即数据的长度。这个属性是一个整数，等价于len(series)。
s = pd.Series([1, 2, 3, 4, 5])
print(s.size)
# 输出: 56、name
name属性用于获取或设置Series的名称。这个属性通常用于在DataFrame中标识不同的列。
s = pd.Series([1, 2, 3, 4, 5], name='example')
print(s.name)
# 输出: example
s.name = 'new_name'
print(s.name)
# 输出: new_name7、axes
axes属性返回一个包含Series索引的列表。对于Series来说，它只包含一个索引轴。
s = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'])
print(s.axes)
# 输出: [Index(['a', 'b', 'c', 'd', 'e'], dtype='object')]8、nbytes
nbytes属性返回Series对象在内存中占用的字节数。这个属性对于了解数据集的内存使用情况很有用。
s = pd.Series([1, 2, 3, 4, 5])
print(s.nbytes)
# 输出会根据Series的数据类型和大小有所不同9、头部和尾部数据查看
Series的头部和尾部数据查看，使用head()、tail()函数：
import pandas as pd
data = [1,2,3,4,5]
s = pd.Series(data)
print("[头部第一个数据]\n", s.head(1))
print("[尾部后两个数据]\n", s.tail(2))
# 输出:
# [头部第一个数据]
# 0 1
# dtype: int64
# [尾部后两个数据]
# 3 4
# 4 5这些基本属性为我们提供了关于Series对象的重要信息，使我们能够更好地理解和操作数据。
四、Series对象的数据操作
Pandas的Series对象提供了丰富的数据操作方法，这些方法使得我们可以轻松地对数据进行各种处理和分析。以下是Series对象的一些常用数据操作方法：
1、索引和切片
Series对象支持基于标签的索引和基于位置的切片操作。我们可以使用索引标签来访问单个元素或子集，也可以使用切片语法来访问连续的元素范围。
import pandas as pd
s = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'])
# 基于标签的索引
print(s['a']) # 输出: 1
# 基于位置的切片
print(s[1:4]) # 输出: b 2
# c 3
# d 4
# dtype: int642、修改数据
Series对象是可变的，我们可以直接修改其元素的值。
s['a'] = 10
print(s) # 输出: a 10
# b 2
# c 3
# d 4
# e 5
# dtype: int643、算术运算
Series对象支持常见的算术运算，如加法、减法、乘法、除法等。这些运算可以在Series之间、Series与标量之间进行。
s1 = pd.Series([1, 2, 3, 4, 5])
s2 = pd.Series([10, 20, 30, 40, 50])
# Series之间的加法
print(s1 + s2) # 输出: 0 11
# 1 22
# 2 33
# 3 44
# 4 55
# dtype: int64
# Series与标量的加法
print(s1 + 1) # 输出: 0 2
# 1 3
# 2 4
# 3 5
# 4 6
# dtype: int644、比较运算
Series对象还支持比较运算，如等于、不等于、大于、小于等。这些运算的结果是一个布尔型的Series对象。
print(s1 > 2) # 输出: 0 False
# 1 False
# 2 True
# 3 True
# 4 True
# dtype: bool5、排序
使用sort_values()方法可以对Series对象进行排序。默认情况下，数据按升序排序，但也可以指定ascending=False进行降序排序。
s = pd.Series([5, 1, 4, 2, 3])
print(s.sort_values()) # 输出: 0 1
# 3 2
# 4 3
# 2 4
# 1 5
# dtype: int646、唯一值和计数
使用unique()方法可以获取Series对象中的唯一值，而value_counts()方法则可以计算每个唯一值出现的次数。
s = pd.Series(['cat', 'dog', 'cat', 'elephant', 'elephant', 'dog'])
print(s.unique()) # 输出: array(['cat', 'dog', 'elephant'], dtype=object)
print(s.value_counts()) # 输出: elephant 2
# cat 2
# dog 2
# dtype: int647、数据映射
使用map()方法可以将Series中的每个元素映射到另一个值。这通常与字典一起使用，字典的键是原始值，值是映射后的值。
s = pd.Series(['cat', 'dog', 'elephant'])
mapping = {'cat': 'kitten', 'dog': 'puppy', 'elephant': 'baby elephant'}
print(s.map(mapping)) # 输出: 0 kitten
# 1 puppy
# 2 baby elephant
# dtype: object8、字符串方法
如果Series对象包含字符串类型的数据，那么可以调用字符串方法来处理这些数据。Pandas会自动将方法应用于每个元素。以下是一个例子，使用str.replace()方法将Series对象中每一个'a'替换为'b'：
import pandas as pd
# 创建一个包含字符串的Series对象
s = pd.Series(['apple', 'banana', 'cat', 'data', 'elephant'])
# 使用str.replace()方法将'a'替换为'b'
s_replaced = s.str.replace('a', 'b')
print(s_replaced)
# 输出:
# 0 bpple
# 1 bbnbnb
# 2 cbt
# 3 dbtb
# 4 elephant
# dtype: object关于Series对象操作的第一部分介绍完毕。下一篇我们继续学习Series对象的运算、函数用于、时间序列操作，以及Series的案例实践。
转载请注明出处：https://guangzai.blog.csdn.net/article/details/139723986
开放原子开发者工作坊旨在鼓励更多人参与开源活动，与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动，如meetup、训练营等，主打技术交流，干货满满，真诚地邀请各位开发者共同参与！
更多推荐
12
0- 0
已为社区贡献11条内容
所有评论(0)