1. 创建Series 创建Series对象的函数是Series,它的主要参数是data和index,其基本语法格式如下。 代码语言:javascript 复制 class pandas.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False) Series函数常用的参数及其说明如下所示。 data:接收array或dict。表示接收的数据。默认为...
二、drop() 方法:丢弃数据 针对Series 针对DataFrame 不仅可以删除行,还可以删除列: 三、索引、选取和过滤 针对Series 需要注意一点的是,利用索引的切片运算与普通的Python切片运算不同,其末端是包含的,既包含最后一个的项。比较: 赋值操作: 针对DataFrame DataFrame 中的 ix 操作: 四、算术运算和数据对齐 针对Seri...
通过drop方法,可以删除Series的一个元素,或者DataFrame的一行或一列。默认情况下,drop方法按行删除,且不会修改原数据,但指定axis=1则按列删除,指定inplace=True则修改原数据。 In [9]: s= pd.Series(np.arange(5),index=list('abcde')) In [10]: s Out[10]: a 0 b1c2d3e4dtype: int32 In [11]:...
series = pd.Series(list1, index = ['a','b','c','d','e'], name ='list') print('数组形式返回Series为:', series.values) #输出:数组形式返回Series为: [0 1 2 3 4] print('Series的Index为:', series.index) #输出:Series的Index为:Index(['a', 'b', 'c', 'd', 'e'], dtyp...
创建一个Series类型数据ps1,使用字典创建一个被追加的Series数据,append()函数不会对原数据修改,需要用一个新变量来接收这个追加后的结果。 import pandas as pd # 创建一个Series类型数据 ps1 = pd.Series(range(5),index=["a","b","c","d","e"]) ...
Series本质上是一个ndarray,通过ndarray创建Series对象,如代码清单6-1所示。 代码清单6-1 通过ndarray创建Series import pandas as pdimport numpy as npprint('通过ndarray创建的Series为:\n', pd.Series(np.arange(5), index = ['a', 'b', 'c', 'd', 'e'], name = 'ndarray')) ...
(1)索引(Index) 索引是Series中每个元素的标签,可以是数字、字符串或者任何可哈希的对象。 索引在Series中是可选的,如果创建Series时没有指定索引,Pandas会默认创建一个从0开始的整数索引。 索引可以被显式地设置,这使得Series可以与数据集中的其他元素(如行名或时间戳)对齐。
首先,构造一个Series结构: >>import pandas as pd>>data=[1,2,3]>>index=['A','B','C']>>s=pd.Series(data=data,index=index)>>sA1B2C3dtype:int64 查 对Series结构的取值,可以使用位置索引、标签索引、布尔索引以及切片操作: >>s[0]1>>s.iloc[1]2>>s.loc['A']1>>s['C']3>>s[[Tru...
DataFrame 结构中单独取出某一行或者某一列都是一个 Series 结构,在学习 DataFrame 中的增、删、改、查之前,本篇文章我们不妨先来了解一下这些操作在 Series 结构上对应的方法。 首先,构造一个 Series 结构: >> import pandas as pd >> data = [1,2,3] >> index = ['A', 'B', 'C'] >> s =...
一、reindex() 方法:重新索引 针对 Series 重新索引指的是根据index参数重新进行排序。 如果传入的索引值在数据里不存在,则不会报错,而是添加缺失值的新行。 不想用缺失值,可以用 fill_value 参数指定填充值。 例如: fill_value 会让所有的缺失值都填充为同一个值