dataframe转series 相减_D05 Pandas之Series详解，从构造开始，深度解析Series

---

title: D05|Series详解，从构造开始，深度解析Series
author: Adolph Lee
categories: 数据挖掘基础
tags:

• Python
• 数据挖掘基础
• Pandas
• Series

---

​

写在前面

本文使用的是pandas0.25.3，从0.25开始起pandas将只支持Python3.53以上版本，不再支持Python2.7。且在0.25版本中三维数组Panel完全被官方移除了，新版本删除了很多也新增了很多方法属性。对于那些已经取消或者将要取消的，我们不再提及。时代在进步，一起向前看。

​

什么是Series

Series是pandas特有，能够保存任何类型数据(整数、字符串、浮点数、Python对象等)的一维数组。

​

Series的构造函数

Series(data, index, dtype, name, copy, fastpath)

​

参数详解

•   data 需要构造的数据(如数组，可迭代对象，标量等)
•   index 行索引，索引值必须是唯一的，散列的，默认是通过np.arange(n)构造的自增索引
•   dtype 指定数据类型，如果没有指定，程序将会自动判断
•   copy 是否复制data数据，默认为false
•   name 为Series命名
•   fastpath 这个参数在官方api文档中并没有给出具体解释，从源码来看应当是一种快速精简模式，默认值为false

构造一个Series ​

# 构造一个Seriesimport pandas as pdSeries_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(Series_1d)

Series属性

•   Series.index 返回一个Pandas的Index对象，其值为行索引
•   Series.values 返回一个ndarray，其值为Series的值
•   Series.array 返回一个PandasArray对象，其值为Series的值
•   Series.dtype 返回Series的数据类型
•   Series.shape 返回Series的形状，与numpy一样，用(m,n)表示
•   Series.nbytes 返回Series内数据所使用的存储空间
•   Series.ndim 返回Series内数据维度
•   Series.size 返回Series内数据的元素个数
•   Series.T 转置Series，当然，一维数组怎么转都一样
•   Series.memory_usage() 返回整个Series对象所占用内存空间，而不仅仅是其中的数据
•   Series.hasnans 检测数组中是否包含空值，在pandas中空值使用NaN表示,使用numpy.nan可构造,Python的基础数据结构None也属于空值，返回True or False
•   Series.empty 检测数组是否为空，返回True or False
•   Series.dtypes 返回Series的数据类型
•   Series.name 返回Series的名称
  观察一下这些属性，对理解Series与后面将会讲到的DataFrame会很有帮助

import pandas as pdSeries_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(Series_1d)Series_1d['d'] = 'Imp'print(Series_1d)

Series的增、查、改、删

接下来的内容主要以Series的增、查、改、删为主线来刨析Series，而官方给出的文档中更倾向于转换、索引、切片、运算、时序模式等API接口为主线来讲解。如果讲解详细的api一是过于繁杂，二是不如直接去看官方文档来得直接，因此以数据的增、查、改、删为基准来讲解，更容易为大家理解和使用。对于想更深入了解的朋友，可以去阅读官方文档。

向Series中插入元素 ​

利用索引

import pandas as pdSeries_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(Series_1d)Series_1d['d'] = 'Imp'print(Series_1d)

append

Series.append(self, to_append, ignore_index=False, verify_integrity=False)

•   to_append 需要增加的数据，可以是Series,或Series元组/列表
•   ignore_index 是否忽略行索引，默认为False，若为True则不使用原有的行索引，会生成新的索引值
•   verify_integrity 校验行索引值是否重复，若重复则抛出异常，默认为False
•   append不会改变原来的一维数组

import pandas as pdseries_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(series_1d)new_series_1d = series_1d.append(pd.Series('Imp',index=['d']))print(series_1d)print(new_series_1d)# 使用ignore_index参数new_series_1d = series_1d.append(pd.Series('Imp',index=['d']),ignore_index=True)print(new_series_1d)# 使用verify_integrity参数，当索引重复时会抛出异常 ,将索引改为 d 即可正常运行new_series_1d = series_1d.append(pd.Series('Imp',index=['c']),verify_integrity=True)print(new_series_1d)

查看Series中的元素

我们可以像访问列表一样通过索引访问Series中的元素，Series的索引默认从0开始，最后一个元素可以用负一表示。同时pandas还提供了许多其它的方法帮助我们访问Series中的元素，如at,iat,loc,iloc,get等。下面我们将会一一讲解这些方法。并帮助大家剖析这些方法的异同。

​

利用索引

•   当使用默认行索引值的时候，索引从0开始
•   最后一个索引可用-1表示,但却不能直接通过诸如 series[-1]来访问，因为[-1]表示的是一个具体的索引值，当索引不存在时，会抛出异常
•   当使用指定索引值的时候，也可通过索引值直接访问
•   当利用索引访问多个元素时，返回结果是一个具有相同属性的Series

​

import pandas as pd# 通过索引访问单个元素series_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(series_1d['a'])series_1d = pd.Series(['Arya','Jaime','Tyrone'],dtype='object',name='冰与火之歌')print(series_1d[1])# 通过索引访问多个元素series_1d = pd.Series(['Arya','Jaime','Tyrone','Imp'],dtype='object',name='冰与火之歌')print(series_1d[1:-1])

​

get

Series.get(self, key, default=None)

•   get方法是通过行索引获取行索引对应的元素
•   每次只能获取一个元素
•   若无对应的索引，则返回default值
•   key 行索引值
•   default 未找到索引时的返回值，默认为None

​

import pandas as pd# 通过索引访问单个元素series_1d = pd.Series(['Arya','Jaime','Tyrone'],dtype='object',name='冰与火之歌')print(series_1d.get(0))print(series_1d.get(5,default=9999))

at

Series.at[]

•   通过索引名称来访问
•   返回满足索引条件的单个值
•   当索引不存在时，会抛出异常

import pandas as pdseries_1d = pd.Series(['Arya','Jaime','Tyrone'],dtype='object',name='冰与火之歌')print(series_1d.at[0])series_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(series_1d.at['a'])

iat

Series.iat[]

•   iat只能通过整型索引访问，其是通过元素位置来访问元素
•   就算是已经自定义行索引，同样也可以通过整型索引访问
•   当索引不存在时，会抛出异常

import pandas as pdseries_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(series_1d.iat[2])series_1d = pd.Series(['Arya','Jaime','Tyrone'],dtype='object',name='冰与火之歌')print(series_1d.iat[0])

loc

Series.loc[]

•   通过索引名称或者布尔值列表去访问元素
•   可以一次访问多个元素
•   当访问多个元素时，需要用中括号括起来
•   当访问多个元素时，返回结果是一个具有相同属性的Series
•   当索引不存在时，会抛出异常

import pandas as pdseries_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(series_1d.loc['a'])print(series_1d.loc[['a','b']])print(series_1d[[True,False,True]])series_1d = pd.Series(['Arya','Jaime','Tyrone'],dtype='object',name='冰与火之歌')print(series_1d[0:-1])

iloc

Series.iloc[]

•   通过元素位置或布尔值列表访问元素
•   可以一次访问多个元素
•   当访问多个元素时，需要用中括号括起来
•   当访问多个元素时，返回结果是一个具有相同属性的Series
•   当索引不存在时，会抛出异常

import pandas as pdseries_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(series_1d.iloc[0])print(series_1d.iloc[[2,0]])print(series_1d[[True,False,True]])series_1d = pd.Series(['Arya','Jaime','Tyrone'],dtype='object',name='冰与火之歌')print(series_1d[0:-1])

小结：get、at、loc都是通过索引名称去定位元素，iat、iloc则是通过元素位置来定位。loc、iloc都可以通过布尔值来访问元素

head() tailf()

•   head 查看Series的前n行，默认为5
•   tail 查看Series的后n行，默认为5

import pandas as pdimport numpy as npseries_1d = pd.Series(np.arange(0,20))print(series_1d.head())print(series_1d.head(3))print(series_1d.tail())print(series_1d.tail(3))

遍历访问

直接遍历

•   直接遍历只会遍历，Series的值

import pandas as pdseries_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')for element in series_1d:    print(element)

利用items 或 iteritems

•   两种方法都会返回一个元组，(索引，值)
•   从源码来看两者没有不同

import pandas as pdseries_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')for element in series_1d.items():    print(element)

item

•   快速访问第一个元素

import pandas as pd series_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(series_1d.item())

​

keys、values

•   类似字典的{key：values},
•   快速访问series中的所有行索引
•   快速访问series中的所有值
•   keys返回的是一个Series，这个Series的值即为行索引值

import pandas as pdseries_1d = pd.Series(['Arya','Jaime','Tyrone'],index=['a','b','c'],dtype='object',name='冰与火之歌')print(series_1d.keys().values)print(series_1d.values)

修改Series中的元素

replace

replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method=’pad’)

•   to_replace 需要被替换的值，可以是一个或者多个，甚至是一个Series
•   value 替换值，可以是一个或者多个，甚至是一个Series
•   inplace 当inplace为True时replace不会有任何返回值，是在原数组基础上修改。当inplace为False时，返回一个新的Series，默认为False
•   剩下的几个参数limit、regex、method在这里不做详解，以后会逐渐使用到，感兴趣的朋友可以去查看pandas官方api。

import pandas as pdimport numpy as npseries_1d = pd.Series(np.arange(0,5),index=['a','b','c','d','e'])new_series_1d = series_1d.replace(3,3333)print(new_series_1d)new_series_1d = series_1d.replace([3,2,1],[333,2222,111])print(new_series_1d)series_1d.replace([3,2,1],[333,2222,111],inplace=True)print(series_1d)

update

•   通过索引修改元素
•   入参是一个Series
•   如果传入NaN则不会被接受
•   索引不存在或不相同的元素不会产生改变

import pandas as pdimport numpy as npseries_1d = pd.Series(np.arange(0,5))series_1d.update(pd.Series(['a','b',np.nan,'e'],index=[2,3,4,5]))print(series_1d)

删除元素

drop

drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors=’raise’)

•   labels 需要删除索引值，
•   axis 指定行、列(DataFrame使用) ，默认axix = 0 行序
•   index 使用index指定索引，这个属性其实有点多余
•   columns 可以使用列索引来代替值(DataFrame使用)
•   level 对于多索引来说，将删除标签级别
•   inplace 如果为真则在原Series基础上修改，并返回None，默认为False
•   errors 忽略异常，默认为raise 不忽略 ，为None时忽略

import pandas as pdimport numpy as npseries_1d = pd.Series(np.arange(0,5))new_series_1d = series_1d.drop(3)print(new_series_1d)new_series_1d = series_1d.drop([3,2])print(new_series_1d)series_1d = pd.Series(np.arange(0,5),index=['a','b','c','d','e'])new_series_1d = series_1d.drop(['a','e'])print(new_series_1d)new_series_1d = series_1d.drop(index=['a','e'])print(new_series_1d)

pop

•   通过索引删除元素，并返回被删除的元素值

import pandas as pdimport numpy as npseries_1d = pd.Series(np.arange(0,5),index=['a','b','c','d','e'])new_series_1d = series_1d.pop('b')print(new_series_1d)

快速删除空值

dropna(self, axis=0, inplace=False, **kwargs)

•   默认为0，且只可为0
•   当inplace为True时replace不会有任何返回值，是在原数组基础上修改。当inplace为False时，返回一个新的Series，默认为False
•   **kwargs未使用

import pandas as pdimport numpy as npSeries_1d = pd.Series(['Arya','Jaime','Tyrone',np.nan],index=['a','b','c','d'],dtype='object',name='冰与火之歌')Series_1d.dropna()

快速删除重复值

drop_duplicates(self, keep=’first’, inplace=False)

•   keep first保留重复值的第一个，删除其它。默认值为first
•   keep last保留重复值的最后一个，删除其它。
•   keep False删除所有重复值
•   当inplace为True时replace不会有任何返回值，是在原数组基础上修改。当inplace为False时，返回一个新的Series，默认为False

import pandas as pdseries_1d = pd.Series(['a','a','v','b','c','a','b'])new_series_1d = series_1d.drop_duplicates()print(new_series_1d)new_series_1d = series_1d.drop_duplicates(keep='last')print(new_series_1d)series_1d.drop_duplicates(keep=False,inplace=True)print(series_1d)

​

限于篇幅，关于Series就暂时介绍这么多，更多干货，请关注头条号：全民编程

转载请注明出处 ​