其他
Pandas 系列之Series类型数据
大家好，我是Peter。今天带来的是Pandas系列第一篇文章：Pandas系列之Series数据类型。Pandas中创建的数据包含两种类型：
Series类型 DataFrame类型
内容导图
Series类型
Series 是一维数组结构，它仅由index（索引）和value（值）构成的。
Series的索引具有唯一性，索引既可以是数字，也可以是字符，系统会自动将它们转成一个object类型（pandas中的字符类型），如下图所示：
DataFrame类型
DataFrame 是将数个 Series 按列合并而成的二维数据结构，每一列单独取出来是一个 Series ；除了拥有index和value之外，还有column。如下图所示：
索引Index：0，1，2，3……. 字段属性：fruit，number 值value：苹果、葡萄等；200、300等
导入库
先导入两个库：
import pandas as pd
import numpy as np
Series类型创建与操作
通过可迭代类型列表、元组生成 通过python字典生成 通过numpy数组生成
列表生成
通过列表的方式生成Series数据
s1 = pd.Series([7,8,9,10])
s1
# 结果
0 7
1 8
2 9
3 10
dtype: int64
s2 = pd.Series(list(range(1,8)))
s2
# 结果
0 1
1 2
2 3
3 4
4 5
5 6
6 7
dtype: int64
元组生成
下面的方法是通过元组生成Series数据
s3 = pd.Series((7,8,9,10,11))
s3
# 结果
0 7
1 8
2 9
3 10
4 11
dtype: int64
s4 = pd.Series(tuple(range(1,8))) # 从1到8，不包含8
s4
# 结果
0 1
1 2
2 3
3 4
4 5
5 6
6 7
dtype: int64
使用字典创建
字典的键为索引，值为Series结构对应的值
dic_data = {"0":"苹果", "1":"香蕉", "2":"哈密瓜","3":"橙子"}
s5 = pd.Series(dic_data)
s5
# 结果
0 苹果
1 香蕉
2 哈密瓜
3 橙子
dtype: object
使用numpy数组
s6 = pd.Series(np.arange(3,9))
s6
# 结果
0 3
1 4
2 5
3 6
4 7
5 8
dtype: int64
指定索引(列表)
默认的索引都是从0开始的数值，可以在创建的时候指定每个索引
# 默认
s1 = pd.Series([7,8,9,10])
s1
# 结果
0 7
1 8
2 9
3 10
dtype: int64
s7 = pd.Series([7,8,9,10], index=["A","B","C","D"]) # 指定索引值
s7
# 结果
A 7
B 8
C 9
D 10
dtype: int64
指定索引(字典形式)
字典的键作为索引值
dic_data = {"水果1":"苹果",
"水果2":"香蕉",
"水果3":"哈密瓜",
"水果4":"橙子"
}
s8 = pd.Series(dic_data)
s8
# 结果
水果1 苹果
水果2 香蕉
水果3 哈密瓜
水果4 橙子
dtype: object
查看索引值
s8
# 结果
水果1 苹果
水果2 香蕉
水果3 哈密瓜
水果4 橙子
dtype: object
s8.index # 查看索引值
# 结果
Index(['水果1', '水果2', '水果3', '水果4'], dtype='object')
查看值
s8
# 结果
水果1 苹果
水果2 香蕉
水果3 哈密瓜
水果4 橙子
dtype: object
s8.values
# 结果
array(['苹果', '香蕉', '哈密瓜', '橙子'], dtype=object)
更改索引
# 1、新索引
index_new = ['one', 'two', 'three', 'four']
# 2、赋值
s8.index = index_new
s8
# 结果
one 苹果
two 香蕉
three 哈密瓜
four 橙子
dtype: object
查看是否存在空值
s7
# 结果
A 7
B 8
C 9
D 10
dtype: int64
s7.isnull() # 没有空值
# 结果
A False
B False
C False
D False
dtype: bool
s7.notnull()
# 结果
A True
B True
C True
D True
dtype: bool
查看某个索引的值
s7
A 7
B 8
C 9
D 10
dtype: int64
两种方式查看：
通过自定义的索引查看 通过对应的数值索引查看
s7["A"] # 自定义的索引值
7
s7[0] # 默认的数值索引
7
s7["D"]
10
s7[3]
10
将Series转成字典
s_dic = s7.to_dict() # 转成字典形式
s_dic
# 结果
{'A': 7, 'B': 8, 'C': 9, 'D': 10}
type(s_dic) # 结果显示为字典类型
# 结果
dict
给Series索引命名
s8
# 结果
one 苹果
two 香蕉
three 哈密瓜
four 橙子
dtype: object
s8.index # 原索引
Index(['one', 'two', 'three', 'four'], dtype='object')
s8.index.name = "水果" # 索引命名
s8
结果显示为：
水果
one 苹果
two 香蕉
three 哈密瓜
four 橙子
dtype: object
s8.index # 更改之后的索引
Index(['one', 'two', 'three', 'four'], dtype='object', name='水果')
修改Series数值
s8
# 结果为
水果
one 苹果
two 香蕉
three 哈密瓜
four 橙子
dtype: object
s8["three"] = "西瓜" # 等价于s8[2] = "西瓜"
s8
更改之后的值为：
水果
one 苹果
two 香蕉
three 西瓜
four 橙子
dtype: object
Series结构转成DataFrame结构
s8
水果
one 苹果
two 香蕉
three 西瓜
four 橙子
dtype: object
在将s8转成DataFrame的过程中涉及到3个函数：
to_frame：转成DataFrame reset_index：DataFrame类型的索引重置 rename：DataFrame的字段属性重置
关于DataFrame的相关内容下节详细讲解，敬请期待！
扩展阅读
在之前写过的旅游攻略文章中使用过pandas的很多知识点，可供学习：
海滨城市：厦门真的不止鼓浪屿 娱乐之都：长沙31块的臭豆腐它香吗? 美食之都：成都的火锅应该很辣吧! 13朝古都：西安-当秦始皇遇上biangbiang面 北方明珠：北方明珠大连等你