相关导航
pandas 序列 Series
更新时间：2023-04-06 11:50:58 标签：pandas
series
看过来
《pandas 教程》 持续更新中，可作为 pandas 入门进阶课程、pandas 中文手册、用法大全，配有案例讲解和速查手册。提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。查看更新日志。作者开办 Python 数据分析培训，详情 Python 数据分析培训。
|
本教程作者所著新书《深入浅出Pandas：利用Python进行数据处理与分析》（ISBN：9787111685456）已由机械工业出版社出版上市，各大电商平台有售，欢迎：查看详情并关注购买。 |
Series 是一个一维的带有标签的数组，这个数据可以由任何类型数据构成，包括整型、浮点、字符、Python 对象等。它的轴标签被称为「索引」，它是 Pandas 最基础的数据结构。
学习提示
本文内容需要一些背景知识，如果是初学者可以跳过，在学习过程中可以再来查看。
创建
Series 的创建方式如下：
s = pd.Series(data, index=index)
其中：
data可以是 python 对象、numpy 的 ndarray 、一个标量（定值，如 8）index索引是轴上的一个列表，必须和 data 的长度相同，如果没有指定则自动从 0 开始，[0, ..., len(data) - 1]
更多关于 Series 构造、行为特征等内容可访问：创建 Series pd.Series()。
数据
上文中的 data 可以取以下方法的值：
列表元组
列表和元组可以直接放入 pd.Series()：
pd.Series(['a', 'b', 'c', 'd', 'e'])
pd.Series(('a', 'b', 'c', 'd', 'e'))
ndarray
可以是 numpy 的 ndarray:
# 由索引为 a、b.. ， 五个随机浮点数数组组成
s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
s.index # 查看索引
s = pd.Series(np.random.randn(5)) # 未指定索引
字典 dict
使用字典来生成后，key 为索引，value 为内容，顺序为字典内容的顺序：
d = {'b': 1, 'a': 0, 'c': 2}
s = pd.Series(d)
[out]:
b 1
a 0
c 2
dtype: int64
# 如果指定索引，则会按索引顺序，如无法与索引对应的会产生缺失值
pd.Series(d, index=['b', 'c', 'd', 'a'])
Out:
b 1.0
c 2.0
d NaN
a 0.0
dtype: float64
标量（scalar value）
一个具体的值，如果不指定索引长度为 1，指定索引后长度为索引的数量，每个索引的值都是它。
pd.Series(5.)
Out:
0 5.0
dtype: float64
# 指定索引
pd.Series(5., index=['a', 'b', 'c', 'd', 'e'])
Out:
a 5.0
b 5.0
c 5.0
d 5.0
e 5.0
dtype: float64
Series 操作
Series 的操作非常灵活，以下介绍的操作方法是对照类似的其他数据类型，可以应用在所有 Series 上，不管 Series 是从何种方式定义生成的。
类似 ndarray 操作
Series 操作与 ndarray 类似，支持切片。
s = pd.Series([1,2,3,4,5,6,7,8])
s[3] # 类似列表切片
s[2:]
s.median() # 平均值，包括其他的数学函数
s[s > s.median()] # 筛选大于平均值的内容
s[[1, 2, 1]] # 指定索引的内容，括号的列表是索引
s.dtype # 数据类型
s.array # 返回值的数列
s.to_numpy() # 转为 numpy 的 ndarray
3 in s # 逻辑运算，检测索引
类似字典的操作
s = pd.Series([14.22, 21.34, 5.18],
index=['中国', '美国', '日本'],
name='人口')
s['中国'] # 14.22 # 根 key 进行取值，如果没有报 KeyError
s['印度'] = 13.54 # 类似字典一样增加一个数据
'法国' in s # False 逻辑运算，检测索引
向量计算和标签对齐
s = pd.Series([1,2,3,4])
s + s # 同索引相加，无索引位用 NaN 补齐
s * 2 # 同索引相乘
s[1:] + s[:-1] # 选取部分进行计算
np.exp(s) # 求e的幂次方
名称属性
Series 可以指定一个名称，如无名称不返回内容（NoneType）。
s = pd.Series([1,2,3,4], name='数字')
s.name # '数字'
s = s.rename("number") # 修改名称
s2 = s.rename("number") # 修改名称并赋值给一个新变量
其他操作
s = pd.Series([1,2,3,4], name='数字')
s.add(1) # 每个元素加1 abs()
s.add_prefix(3) # 给索引前加个3，升位
s.add_suffix(4) # 同上，在后增加
s.sum() # 总和
s.count() # 数量，长度
s.agg('std') # 聚合，仅返回标准差, 与 s.std() 相同
s.agg(['min', 'max']) # 聚合，返回最大最小值
s.align(s2) # 联接
s.any() # 是否有为假的
s.all() # 是否全是真
# 2.0 版本已经取消，用 pd.concat(s1, s2)
s.append(s2) # 追加另外一个 Series
s.apply(lambda x:x+1) # 应用方法
s.empty # 是否为空
s3 = s.copy() # 深拷贝
# 等等，以上是常用的，方法非常多
