pandas之Series

pandas的数据结构

Series:一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。

DataFrame: 二维的表格型数据结构。多个Series结构就组成了DataFrame数据结构，这里需要特别注意的是DataFrame是按照列来存储的。

Panel: 三维的数组，可以理解为DataFrame的容器。

Series定义
Series(data, index=index)，data参数可以是整形、字符串、dict、ndarray、常量值。index是索引值，如果数据类型是ndarray,index的长度需要和data的长度一致，如果index没有指定，那么索引将会从[0，....., len(data) -1]递增。

创造一个serise数据

import pandas as pd
import numpy as np
​
s = pd.Series([9, 'zheng', 'beijing', 128])
​
print(s)

打印

0          9
1      zheng
2    beijing
3        128
dtype: object

用numpy ndarray构造一个Series生成一个随机数

import pandas as pd
import numpy as np
​
num_abc = pd.Series(np.random.randn(5), index=list('abcde'))
num = pd.Series(np.random.randn(5))
​
print(num)
print(num_abc)
​
# 打印
0   -0.102860
1   -1.138242
2    1.408063
3   -0.893559
4    1.378845
dtype: float64
a   -0.658398
b    1.568236
c    0.535451
d    0.103117
e   -1.556231
dtype: float64

字典（dict）类型数据
因为字典是key-value结构存储的，key相当于字典的索引了，那么在创建Series的时候若是不指定index参数，Series就默认使用字典的key来作为所以，若是指定了则在字典中去关联索引，如下：

import pandas as pd
import numpy as np

data = {'a':10, 'b':20, 'c':30}

s = pd.Series(data)

print(s)

s = pd.Series(data, index=['b', 'c', 'a', 'd'])

print(s)

OUT:
a    10
b    20
c    30
dtype: int64
b    20.0
c    30.0
a    10.0
d     NaN
dtype: float64

Series加法运算：

import pandas as pd
import numpy as np

s1 = pd.Series(np.random.randn(3), index=['a','b','c'])

s2 = pd.Series(np.random.randn(3), index=['a','b','c'])

s3 = pd.Series(np.random.randn(2), index=['a','b'])

s4 = pd.Series(np.random.randn(2), index=['e','f'])

print(s1)

print(s2)

# 对应索引的值相加
print('索引值相同的登结果：
%s
' % (s1 + s2))

print(s1)

print(s3)

# 对应索引的值相加
print('索引值部分不相同的登结果：
%s
' % (s1 + s3))

print(s1)

print(s4)
# 对应索引的值相加

print('索引值都不相同的登结果：
%s
' % (s1 + s4))

OUT:
a    0.271685
b    0.547691
c   -0.143253
dtype: float64
a   -1.603913
b   -0.464923
c    0.471518
dtype: float64
索引值相同的登结果：
a   -1.332227
b    0.082768
c    0.328266
dtype: float64

a    0.271685
b    0.547691
c   -0.143253
dtype: float64
a   -0.690966
b    1.131122
dtype: float64
索引值部分不相同的登结果：
a   -0.419281
b    1.678812
c         NaN
dtype: float64

a    0.271685
b    0.547691
c   -0.143253
dtype: float64
e   -1.898507
f    0.153425
dtype: float64
索引值都不相同的登结果：
a   NaN
b   NaN
c   NaN
e   NaN
f   NaN
dtype: float64