|
对Series的理解也源于对其相关的代码操作，本次仅贴一些代码来加深理解以及记忆 [url=]![]() [/url]
1 import pandas as pd 2 import numpy as np 3 s = pd.Series(np.random.randn(5),index=['a','b','c','d','e']) # index添加行索引 4 s 5 # 输出 6 a 1.752127 7 b 0.127374 8 c 0.581114 9 d 0.466064 10 e -1.493042 11 dtype: float64 12 13 s.index 14 # 输出 Index(['a', 'b', 'c', 'd', 'e'], dtype='object') 15 16 s = pd.Series(np.random.randn(5)) # 自动添加索引 17 s 18 # 输出 19 0 0.209798 20 1 0.791759 21 2 -1.352022 22 3 0.164453 23 4 0.647989 24 dtype: float64 25 26 d = {'a':0.,'b':1.,'d':3} # Series通过字典形式创建表，字典中的键就被当成行索引 27 s = pd.Series(d, index=list('abcd')) # 没有的索引赋值为NaN 28 s 29 # 输出 30 31 Out[12]: 32 a 0.0 33 b 1.0 34 c NaN 35 d 3.0 36 dtype: float64 37 38 s = pd.Series(5,index=list('abcd')) # 每个索引对应的值相等 39 s 40 #输出 41 a 5 42 b 5 43 c 5 44 d 5 45 dtype: int64 46 47 s = pd.Series(np.random.randn(5)) # 通过随机数创建 48 s 49 #输出 50 0 -0.014250 51 1 0.990860 52 2 1.785053 53 3 -2.155324 54 4 -0.815233 55 dtype: float64 56 57 s[0] # 可以通过单个索引值读取对应的值 58 #输出 -0.014250144041201129 59 60 s[:3] # 可以通过索引范围读取对应的范围值 61 # 输出 62 0 -0.014250 63 1 0.990860 64 2 1.785053 65 dtype: float64 66 67 s[[1,3,4]] # 任意读取多个索引对应的值需要两对[[]] 68 # 输出 69 1 0.990860 70 3 -2.155324 71 4 -0.815233 72 dtype: float64 73 74 np.sin(s) # 可以用numpy函数对Series创建的表中的数据进行一系列操作 75 # 输出 76 0 -0.014250 77 1 0.836498 78 2 0.977135 79 3 -0.833973 80 4 -0.727885 81 dtype: float64 82 83 s = pd.Series(np.random.randn(5),index=['a','b','c','d','e']) 84 s 85 #输出 86 a 1.127395 87 b 0.229895 88 c 0.161001 89 d 0.362886 90 e 0.203692 91 dtype: float64 92 93 s['a'] # 索引也可以是字符字符串 94 # 输出 1.1273946030373316 95 96 s['b']= 3 # 可以通过索引赋值操作改变表中的值 97 s 98 # 输出 99 a 1.127395100 b 3.000000101 c 0.161001102 d 0.362886103 e 0.203692104 dtype: float64105 106 s['g'] = 100 # 如果表中没有那个索引，通过索引的赋值将会自动添加到表的行尾107 s108 # 输出109 a 1.127395110 b 3.000000111 c 0.161001112 d 0.362886113 e 0.203692114 g 100.000000115 dtype: float64116 117 print(s.get('f')) # 也可以使用get函数读取索引对应的值，如果没有就返回默认的None118 # 输出 None119 120 print (s.get('f',0)) # 也可以加自定义值的返回值121 # 输出 0122 123 s1 = pd.Series(np.random.randn(3),index=['a','c','e'])124 s2 = pd.Series(np.random.randn(3),index=['a','d','e'])125 print(f'{s1}\n\n{s2}')126 # 输出 127 a -0.036147128 c -1.466236129 e -0.649153130 dtype: float64131 132 a 1.460091133 d -0.788388134 e 0.175337135 dtype: float64136 137 s1 + s2 # 通过Series创建的表也可以按照行相同索引对应的值相加，如果两表索引对应138 # 不上就默认赋值NaN139 # 输出140 a 1.423945141 c NaN142 d NaN143 e -0.473816144 dtype: float64[url=]![]() [/url]
|
收藏
淘帖
踩
