Series序列

import pandas as pd

'''
Series序列：
1.序列 的声明，指定index列标签
2.查看列索引（index）和元素 （values）
3.选择内部元素
4.为元素赋值
5.用Numpy数组定义新Series对象
6.筛选元素
7.Series对象运算和数学函数
8.Series组成元素（重复，是否存在）
9.NaN
10.Series用做字典
'''

###  1.声明Series，并指定索引（没指定：索引从0开始自动递增）
series_define = pd.Series([2,3,3,4,6,8],index=['a','b','c','d','e','f'])
print(series_define)
'''
a    2
b    3
c    3
d    4
e    6
f    8
dtype: int64
'''

Series序列声明，指定索引index=

###  2.查看Series序列的索引和元素【返回两个数组】
series_index = series_define.index
series_value = series_define.values
print(series_index)
print(series_value)
'''
Index(['a', 'b', 'c', 'd', 'e', 'f'], dtype='object')
[2 3 3 4 6 8]
'''

查看Series序列的索引和元素【.index .values返回两个数组】

###  3.选择内部元素：切片或指定标签
print(series_define[-1])
print(series_define[4:-1])
print(series_define['f'])
print(series_define[['e','f']])   ###通过标签取多个值时，要把标签放在数组中

选择内部元素：切片或指定标签

###  4.为元素赋值：选取元素 = 赋值
series_define[0] = 66
series_define['b'] = 77
print(series_define)
'''
a    66
b    77
c     3
d     4
e     6
f     8
dtype: int64
'''

为元素赋值：选取元素 = 赋值

###  5.现有数组生成Series
arr = np.array([1,2,3,4])
s = pd.Series(arr)
print(s)
'''
0    1
1    2
2    3
3    4
dtype: int32
'''

现有数组生成Series

###  6.筛选元素：获取大于3的元素 s[s>3]
print(s[s>3])

筛选元素：获取大于3的元素 s[s>3]

###  7.适用于Numpy数组的运算符（+ - * /） 和 np.log（）等数学函数都适用
#相除
s1 = series_define/2
print(s1)
'''
a    33.0
b    38.5
c     1.5
d     2.0
e     3.0
f     4.0
dtype: float64
'''
#取对
s2 = np.log(series_define)
print(s2)
'''
a    4.189655
b    4.343805
c    1.098612
d    1.386294
e    1.791759
f    2.079442
dtype: float64
'''

Series：数学函数np.log(s)运算

##  8.重复次数和判断是否存在
#  .unique()去重（不重复的元素，返回value数组）
s_a = pd.Series([1,1,1,1,2,2,2,3])
a = s_a.unique()
print(a)
'''
[1 2 3]
'''
#  .value_counts()  返回去重后的元素，并且统计出现的次数:返回Series，出现个数作为值
b = s_a.value_counts()
print(b)
print(b[1])

# .isin()判断是否存在（返回布尔值）
c = s_a.isin([2,3])
print(c)
c1 = s_a[s_a.isin([2,3])]
print(c)
print(c1)
'''
0    False
1    False
2    False
3    False
4     True
5     True
6     True
7     True
dtype: bool
0    False
1    False
2    False
3    False
4     True
5     True
6     True
7     True
dtype: bool
4    2
5    2
6    2
7    3
dtype: int64

'''

重复次数和判断是否存在

##  10.NaN：表示数据有问题
#  np.NaN创建带NaN的序列
s4 = pd.Series([5,-3,np.NaN,14])
print(s4)

'''
0     5.0
1    -3.0
2     NaN
3    14.0
dtype: float64
'''
##判断有无NaN ,如果有返回True
s41 = s4.isnull()
print(s41)

##判断不是NaN ,如果不是返回True
s42= s4.notnull()
print(s42)

'''
0    False
1    False
2     True
3    False
dtype: bool
0     True
1     True
2    False
3     True
dtype: bool
'''

问题数据NaN

##  11.Series用作字典
## 用字典创建序列Series
mydict = {
    'red':2000,
    'blue':1000,
    'yellow':500,
    'orange':1000
}
myseries = pd.Series(mydict)
print(myseries)
'''
red       2000
blue      1000
yellow     500
orange    1000
dtype: int64
'''
##索引数组≈字典的key   元素数组≈字典的values  单独指定索引。
#如，将blue换成black，并且打乱顺序
colors = ['red','yellow','orange','black','green']
myseries = pd.Series(mydict,index=colors)
print(myseries)
'''
red       2000
blue      1000
yellow     500
orange    1000
dtype: int64
red       2000.0
yellow     500.0
orange    1000.0
black        NaN
green        NaN
dtype: float64

指定索引会和字典key取交，没有交集的部分异常值NaN填充
'''

Series与字典

##  12.Series对象之间的运算：两个Series相加：对应key相同，对应value相加，否则异常NaN

mydict2 = {
    'red':400,
    'yellow':1000,
    'black':700
}
myseries2 = pd.Series(mydict2)
mydict_add = myseries+myseries2
print(myseries)
print(myseries2)
print(mydict_add)
'''
red       2000.0
yellow     500.0
orange    1000.0
black        NaN
green        NaN
dtype: float64
red        400
yellow    1000
black      700
dtype: int64
black        NaN
green        NaN
orange       NaN
red       2400.0
yellow    1500.0
'''

Series对象运算（相加：对应key匹配）