怎么和其它网站做友情链接公司网页制作

02.Python代码Pandas - Series全系列分享(使用.特点.说明.取值.函数)

提示：帮帮志会陆续更新非常多的IT技术知识，希望分享的内容对您有用。本章分享的是pandas的使用语法。前后每一小节的内容是存在的有：学习and理解的关联性，希望对您有用~
python语法-pandas第二节 ：Series全系列分享(使用.特点.说明.取值.函数)

---

---

Series使用语法

声明Series

Series是一个带有索引的一维数组。属于Pandas的其中一个数据结构。
pandas是什么？快速的pandas简介。帮助理解: pandas的简介

#声明一个pandas  Series数组，存储数据 (数字)
s01 = pd.Series([10,20,30])
print(s01)  #输出这个series 为：带有索引的一维数组#声明了数组，我们目前还没有去使用，其实pandas有非常多的操作数据分析功能的
#通过Series变量			 s01.功能  来使用

第一列是索引(如：0) 第二列是数据(如：10)

取值

直接通过索引取值即可（索引是：前面案例代码）

s01 = pd.Series([10,20,30])
print(s01)
print(s01[0]) #取出10

其他情况声明

字符串数据和指定索引：

#定义一个字符串数据
str = ['bangbangzhi','hello','python-pandas']
#声明一个pandas  Series数组，存储数据 (字符串)
#s02 = pd.Series(str)   #和上一个案例一模一样 ，默认索引从0开始
#声明一个pandas  Series数组，存储字符串  并指定索引
s02 = pd.Series(str,index=['x','y','z'])
print(s02)#取值按索引取值
#s02['x']

字典数据和指定范围：

#字典数据，key自动定为索引
# key就自己声明的了，可以是数字，可以是字符串，可以是..
d01 = {'a':'hello','b':'bangbangzhi','c':'python'}
s03 = pd.Series(d01)
print(s03)
print("---------隔开一下--------")
d02 = {1:'hello',2:'bangbangzhi',3:'python',4:'four'}
#只取一部分数据
s03 = pd.Series(d02,index=[1,3])  #故意写的3，没有2
print(s03)#取值是索引

完整语法

pandas.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False)
data：Series 的数据部分，可以是列表、数组、字典等。
index：Series 的索引部分，用于对数据进行标记。可以是列表、数组、索引对象等。如果不提供此参数，则创建一个默认的整数索引，从0开始。
dtype：指定 Series 的数据类型。可以是 NumPy 的数据类型，例如 np.int64、np.float64 等。如果不提供此参数，则根据数据自动推断数据类型。
name：Series 的名称，用于标识 Series 对象。如果提供了此参数，则创建的 Series 对象将具有指定的名称。
copy：是否复制数据。默认为 False，表示不复制数据。如果设置为 True，则复制输入的数据。常用有时数据分析可能会更改原始值，看情况是否允许，改了就改了
fastpath：是否启用快速路径。默认为 False。启用快速路径可能会在某些情况下提高性能。

---

Series的特点

一维数组：Series 中的每个元素都有一个对应的索引值。

索引： 每个数据元素都可以通过标签（索引）来访问，默认情况下索引是从 0 开始的整数，但你也可以自定义索引。

数据类型： Series 可以容纳不同数据类型的元素，包括整数、浮点数、字符串、Python 对象等。

大小不变性：Series 的大小在创建后是不变的，但可以通过某些操作（如 append 或 delete）来改变。

操作：Series 支持各种操作，如数学运算、统计分析、字符串处理等。

缺失数据：Series 可以包含缺失数据，Pandas 使用NaN（Not a Number）来表示缺失或无值。

自动对齐：当对多个 Series 进行运算时，Pandas 会自动根据索引对齐数据，这使得数据处理更加高效。

---

Series说明

Series 中的数据是有序的。
可以将 Series 视为带有索引的一维数组。
索引可以是唯一的，但不是必须的。
数据可以是标量、列表、NumPy 数组等。

可以使用运算符，包括基本运算符±*/ 和 比较运算符 > < >= <=

s04 = pd.Series([10,20,30])
result = s04 * 2   #每个数据 * 2
print(result)
print("------隔开----")
filter_r = result[result>50]#过滤 条件
print(filter_r)#得到新的Series ，看输出的数据格式，还是Series

---

Series各种 功能 函数

index 获取 Series 的索引
values 获取 Series 的数据部分（返回 NumPy 数组）
head(n) 返回 Series 的前 n 行（默认为 5）
tail(n) 返回 Series 的后 n 行（默认为 5）
dtype 返回 Series 中数据的类型
shape 返回 Series 的形状（行数）
describe() 返回 Series 的统计描述（如均值、标准差、最小值等）
isnull() 返回一个布尔 Series，表示每个元素是否为 NaN
notnull() 返回一个布尔 Series，表示每个元素是否不是 NaN
unique() 返回 Series 中的唯一值（去重）
value_counts() 返回 Series 中每个唯一值的出现次数
map(func) 将指定函数应用于 Series 中的每个元素
apply(func) 将指定函数应用于 Series 中的每个元素，常用于自定义操作
astype(dtype) 将 Series 转换为指定的类型
sort_values() 对 Series 中的元素进行排序（按值排序）
sort_index() 对 Series 的索引进行排序
dropna() 删除 Series 中的缺失值（NaN）
fillna(value) 填充 Series 中的缺失值（NaN）
replace(to_replace, value) 替换 Series 中指定的值
cumsum() 返回 Series 的累计求和
cumprod() 返回 Series 的累计乘积
shift(periods) 将 Series 中的元素按指定的步数进行位移
rank() 返回 Series 中元素的排名
corr(other) 计算 Series 与另一个 Series 的相关性（皮尔逊相关系数）
cov(other) 计算 Series 与另一个 Series 的协方差
to_list() 将 Series 转换为 Python 列表
to_frame() 将 Series 转换为 DataFrame
iloc[] 通过位置索引来选择数据
loc[] 通过标签索引来选择数据

---

Series各种 统计 函数

s06 = pd.Series([10, 22, 25, 1, 99])print(s06.dtype)   # 数据类型
print(s06.shape)   # 形状
print(s06.size)    # 元素个数
print(s06.head())  # 前几个元素，默认是前 5 个
print(s06.tail())  # 后几个元素，默认是后 5 个
print(s06.sum())   # 求和
print(s06.mean())  # 平均值
print(s06.std())   # 标准差
print(s06.min())   # 最小值
print(s06.max())   # 最大值

---

（会陆续更新非常多的IT技术知识及泛IT的电商知识，可以点个关注，共同交流。比心）