Pandas数据结构Series：基本技巧
数据查看 / 重新索引 / 对齐 / 添加、修改、删除值
# 数据查看
s = pd.Series(np.random.rand(50))
print("1".center(40,'*'))
print(s.head(3))
print("2".center(40,'*'))
print(s.tail())
# .head()查看头部数据
# .tail()查看尾部数据
# 默认查看5条
#执行结果
*******************1********************
0 0.202699
1 0.201590
2 0.647586
dtype: float64
*******************2********************
45 0.813147
46 0.222506
47 0.698029
48 0.221253
49 0.612971
dtype: float64
# 重新索引reindex
# .reindex将会根据索引重新排序，如果当前索引不存在，则引入缺失值
s = pd.Series(np.random.rand(3), index = ['a','b','c'])
print("1".center(40,'*'))
print(s)
s1 = s.reindex(['c','b','a','d'])
print("2".center(40,'*'))
print(s1)
# .reindex()中也是写列表
# 这里'd'索引不存在，所以值为NaN
s2 = s.reindex(['c','b','a','d','e'], fill_value = 0)
print("3".center(40,'*'))
print(s2)
# fill_value参数：填充缺失值的值
#执行结果
*******************1********************
a 0.483267
b 0.427878
c 0.560759
dtype: float64
*******************2********************
c 0.560759
b 0.427878
a 0.483267
d NaN
dtype: float64
*******************3********************
c 0.560759
b 0.427878
a 0.483267
d 0.000000
e 0.000000
dtype: float64
# Series对齐
s1 = pd.Series(np.random.rand(3), index = ['Jack','Marry','Tom'])
s2 = pd.Series(np.random.rand(3), index = ['Wang','Jack','Marry'])
print("1".center(40,'*'))
print(s1)
print("2".center(40,'*'))
print(s2)
print("3".center(40,'*'))
print(s1+s2)
# Series 和 ndarray 之间的主要区别是，Series 上的操作会根据标签自动对齐
# index顺序不会影响数值计算，以标签来计算
# 空值和任何值计算结果扔为空值
#执行结果
*******************1********************
Jack 0.358132
Marry 0.799223
Tom 0.205242
dtype: float64
*******************2********************
Wang 0.018531
Jack 0.104008
Marry 0.984687
dtype: float64
*******************3********************
Jack 0.46214
Marry 1.78391
Tom NaN
Wang NaN
dtype: float64
# 删除：.drop
s = pd.Series(np.random.rand(5), index = list('abcde'))
print("1".center(40,'*'))
print(s)
s1 = s.drop('a')
s2 = s.drop(['b','e'])
print("2".center(40,'*'))
print(s1)
print("3".center(40,'*'))
print(s2)
print("4".center(40,'*'))
print(s)
# drop 删除元素之后返回副本(inplace=False)
#执行结果
*******************1********************
a 0.112290
b 0.157210
c 0.566828
d 0.538134
e 0.030577
dtype: float64
*******************2********************
b 0.157210
c 0.566828
d 0.538134
e 0.030577
dtype: float64
*******************3********************
a 0.112290
c 0.566828
d 0.538134
dtype: float64
*******************4********************
a 0.112290
b 0.157210
c 0.566828
d 0.538134
e 0.030577
dtype: float64
# 添加
s1 = pd.Series(np.random.rand(3))
s2 = pd.Series(np.random.rand(3), index = list('abc'))
print("1".center(40,'*'))
print(s1)
print("2".center(40,'*'))
print(s2)
s1[5] = 100
s2['e'] = 100
print("3".center(40,'*'))
print(s1)
print("4".center(40,'*'))
print(s2)
# 直接通过下标索引/标签index添加值
s3 = s1.append(s2)
print("5".center(40,'*'))
print(s3)
print("6".center(40,'*'))
print(s1)
# 通过.append方法，直接添加一个数组
# .append方法生成一个新的数组，不改变之前的数组
# 执行结果
*******************1********************
0 0.605710
1 0.589580
2 0.450621
dtype: float64
*******************2********************
a 0.549143
b 0.910563
c 0.840172
dtype: float64
*******************3********************
0 0.605710
1 0.589580
2 0.450621
5 100.000000
dtype: float64
*******************4********************
a 0.549143
b 0.910563
c 0.840172
e 100.000000
dtype: float64
*******************5********************
0 0.605710
1 0.589580
2 0.450621
5 100.000000
a 0.549143
b 0.910563
c 0.840172
e 100.000000
dtype: float64
*******************6********************
0 0.605710
1 0.589580
2 0.450621
5 100.000000
dtype: float64
# 修改
s = pd.Series(np.random.rand(3), index = ['a','b','c'])
print("1".center(40,'*'))
print(s)
s['a'] = 100
s[['b','c']] = 200
print("2".center(40,'*'))
print(s)
# 通过索引直接修改，类似序列
# 执行结果
*******************1********************
a 0.370475
b 0.859691
c 0.411495
dtype: float64
*******************2********************
a 0.370475
b 200.000000
c 200.000000
dtype: float64
