Pandas--Series使用

• • 1.创建一个Series数据
  • • 1.1 查看Series数据
    • 1.2 Series数据加减及NaN数据
    • 1.3 Series的命名
    • 1.4 Series数据的转置

语法：pd.Series(列表)

obj = pd.Series([1, 2, 3, 4, 5])
# 结果
0    1
1    2
2    3
3    4
4    5
dtype: int64

参数一：dypte = np.数据类型
举例：pd.Series(obj, dtypte = np.int64)
参数二：name = 命名；默认为None
举例：pd.Series(obj, name= 'demo')
参数三：index = [list]；将Series数据进行排序，默认为从0开始
举例：pd.Series(obj, index=[4, 3, 2, 1, 0])

用字典构建Series数据，字典的键就是Series的索索引index
语法：pd.Series({dict})
举例：

obj1 =  pd.Series({'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000})
obj1
Ohio      35000
Texas     71000
Oregon    16000
Utah       5000
dtype: int64

查看Series的键（index）:数据.index

obj.index
RangeIndex(start=0, stop=5, step=1)

RangeIndex(start=0, stop=5, step=1)，代表从0开始—5结束，数之间的间隔是1

查看Series的值：数据.values

obj.values
array([1, 2, 3, 4, 5], dtype=int64)

键(index)对应的数据会进行相加，若没有对应的数据，则会生成一个NaN数据。

obj1 =  pd.Series({'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000})
obj2 = pd.Series({'Ohios': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000})

obj1:
Ohio      35000
Texas     71000
Oregon    16000
Utah       5000
dtype: int64

obj2:
Ohios     35000
Texas     71000
Oregon    16000
Utah       5000
dtype: int64

两个数据不一样的键是Ohio和Ohios

obj3 = obj1 + obj2
obj3
Ohio           NaN
Ohios          NaN
Oregon     32000.0
Texas     142000.0
Utah       10000.0
dtype: float64

判断矩阵中是否含有NaN数据

• 判断是NaN数据-data.isNull()
• 判断不是NaN数据-data.notNull()

obj3.notnull()
Ohio      False
Ohios     False
Oregon     True
Texas      True
Utah       True
dtype: bool

两种方法均会生成一个Bool型的Series数据，键（index）对应数据data中的键

给键命名：data.index.name = 'index_name'
给Series命名：data.name = 'obj_name'
原来的obj3：

Ohio           NaN
Ohios          NaN
Oregon     32000.0
Texas     142000.0
Utah       10000.0
dtype: float64

给键命名：

obj3.index.name = 'index_name'

index_name
Ohio           NaN
Ohios          NaN
Oregon     32000.0
Texas     142000.0
Utah       10000.0
dtype: float64

给obj3命名：

obj3.name = 'obj_name'

index_name
Ohio           NaN
Ohios          NaN
Oregon     32000.0
Texas     142000.0
Utah       10000.0
Name: obj_name, dtype: float64

语法：obj.reindex([list], method)
参数一为要重置的索引列表；
若重置后的数据含有空值，则可以加入第二参数
method = ’ffill‘ 用前面的数来补充NaN值
method = 'bfill' 用后面的数来补充NaN值

注意：进行Method时，新索引和原索引必须是数字类型的数据

obj = pd.Series([4.5, 7.2, -5.3, 3.6], index=['d', 'b', 'a', 'c'])
d    4.5
b    7.2
a   -5.3
c    3.6
dtype: float64

普通的转置：

obj2 = obj.reindex(['a','b','c','d','e'])
a   -5.3
b    7.2
c    3.6
d    4.5
e    NaN
dtype: float64

加了参数的转置：
得先把index转为数字

obj2.index = [2, 4, 6, 8, 10]
2    -5.3
4     7.2
6     3.6
8     4.5
10    NaN
dtype: float64

method = ‘ffill’,
数字1行索引之前在原索引中没有索引数据了所以仍然是NaN

obj3 = obj2.reindex([1, 2, 3, 4, 5], method = 'ffill')
1    NaN
2   -5.3
3   -5.3
4    7.2
5    7.2
dtype: float64

method = ‘bfill’
数字5行索引在原索引中后一个数字6索引中有值，所以将数字6索引的value引入

obj4 = obj2.reindex([1, 2, 3, 4, 5], method = 'bfill')
1   -5.3
2   -5.3
3    7.2
4    7.2
5    3.6
dtype: float64