您当前的位置：首页 > IT编程 > python
\| C语言 \| Java \| VB \| VC \| python \| Android \| TensorFlow \| C++ \| oracle \| 学术与代码 \| cnn卷积神经网络 \| gnn \| 图像修复 \| Keras \| 数据集 \| Neo4j \| 自然语言处理 \| 深度学习 \| 医学CAD \| 医学影像 \| 超参数 \| pointnet \| pytorch \| 异常检测 \| Transformers \| 情感分类 \| 知识图谱 \|

自学教程：python-pandas创建Series数据类型的操作

51自学网 2021-10-30 22:43:37

python

这篇教程python-pandas创建Series数据类型的操作写得很实用，希望能帮到您。

1.什么是pandas

2.查看pandas版本信息

print(pd.__version__)

输出：

0.24.1

3.常见数据类型

常见的数据类型:

- 一维: Series

- 二维: DataFrame

- 三维: Panel …

- 四维: Panel4D …

- N维: PanelND …

4.pandas创建Series数据类型对象

1). 通过列表创建Series对象

array = ["粉条", "粉丝", "粉带"]# 如果不指定索引， 默认从0开始;s1 = pd.Series(data=array)print(s1)# 如果不指定索引， 默认从0开始;ss1 = pd.Series(data=array, index=['A', 'B', 'C'])print(ss1)

输出：

0    粉条1    粉丝2    粉带dtype: objectA    粉条B    粉丝C    粉带dtype: object

2). 通过numpy的对象Ndarray创建Series；

n = np.random.randn(5)   # 随机创建一个ndarray对象;s2 = pd.Series(data=n)print(s2)# 修改元素的数据类型;ss2 = s2.astype(np.int)print(ss2)

输出：

0   -1.6497551    0.6074792    0.9431363   -1.7940604    1.569035dtype: float640   -11    02    03   -14    1dtype: int64

3). 通过字典创建Series对象;

dict = {string.ascii_lowercase[i]:i for i in range(10)}s3 = pd.Series(dict)print(s3)

输出：

a    0b    1c    2d    3e    4f    5g    6h    7i    8j    9dtype: int64

5.Series基本操作

共同部分：

import pandas as pdimport numpy as npimport  stringarray = ["粉条", "粉丝", "粉带"]s1 = pd.Series(data=array)print(s1)

输出：

0    粉条1    粉丝2    粉带dtype: object

1). 修改Series索引.index

print(s1.index) #输出：RangeIndex(start=0, stop=3, step=1)s1.index = ['A', 'B', 'C']print(s1)

输出：

A    粉条B    粉丝C    粉带dtype: object

2). Series纵向拼接.append

s1.index = ['A', 'B', 'C']array = ["粉条", "粉丝", "粉带"]# 如果不指定索引， 默认从0开始;s2 = pd.Series(data=array)s3 = s1.append(s2)print(s3)

输出：

A    粉条B    粉丝C    粉带0    粉条1    粉丝2    粉带dtype: object

3). 删除指定索引对应的元素.drop(‘index')

s3 = s3.drop('C')  # 删除索引为‘C'对应的值;print(s3)

输出：

A    粉条B    粉丝0    粉条1    粉丝2    粉带dtype: object

4). 根据指定的索引查找元素

print(s3['B'])   #粉丝s3['B'] = np.nan #索引B处的值替换为缺失值print(s3)

输出：

A     粉条B    NaN0     粉条1     粉丝2     粉带dtype: object

5). 切片操作 — 同列表

print(s3[:2])  #显示前两个元素print(s3[::-1]) #逆序print(s3[-2:])  # 显示最后两个元素

输出：

A     粉条B    NaNdtype: object-------------------------2     粉带1     粉丝0     粉条B    NaNA     粉条dtype: object-------------------------1    粉丝2    粉带dtype: object

6.Series运算

先设置两个Series对象：

import pandas as pdimport numpy as npimport  strings1  = pd.Series(np.arange(5), index=list(string.ascii_lowercase[:5]))s2  = pd.Series(np.arange(2, 8), index=list(string.ascii_lowercase[2:8]))print(s1)print(s2)

按照对应的索引进行计算，如果索引不同，则填充为Nan;

1).加法add

print(s1 + s2)print(s1.add(s2))

输出：

a    NaNb    NaNc    4.0d    6.0e    8.0f    NaNg    NaNh    NaNdtype: float64

2).减法sub

print(s1 - s2)print(s1.sub(s2))

输出：

a    NaNb    NaNc    0.0d    0.0e    0.0f    NaNg    NaNh    NaNdtype: float64

3).乘法mul

print(s1 * s2)print(s1.mul(s2))

输出：

a     NaNb     NaNc     4.0d     9.0e    16.0f     NaNg     NaNh     NaNdtype: float64

4).除法div

print(s1 / s2)print(s1.div(s2))

输出：

a    NaNb    NaNc    1.0d    1.0e    1.0f    NaNg    NaNh    NaNdtype: float64

5).求中位数median

print(s1.median())

输出：

2.0

6).求和sum

print(s1.sum())

输出：

7).最大值max

print(s1.max())

输出：

8).最小值min

print(s1.min())

输出：

7.特殊的where方法

series中的where方法运行结果和numpy中完全不同

import pandas as pdimport numpy as npimport strings1 = pd.Series(np.arange(5), index=list(string.ascii_lowercase[:5]))print(s1)

输出：

a    0b    1c    2d    3e    4dtype: int64

print(s1.where(s1 > 3))

大于3的显示，不大于3的为NaN

# 对象中小于3的元素赋值为10；print(s1.where(s1 > 3, 10))

# 对象中大于3的元素赋值为10；print(s1.mask(s1 > 3, 10))

以上为个人经验，希望能给大家一个参考，也希望大家多多支持51zixue.net。如有错误或未考虑完全的地方，望不吝赐教。

python-opencv中的cv2.inRange函数用法说明
python 实现多线程的三种方法总结