一些关于pandas Series 的结构的事情

我不是女神ヾ 2022-12-22 00:56 212阅读 0赞

pandas 的核心是 Series 和 DataFrame 两大数据结构，数据分析相关的所有事务都是围绕着这两种结构进行的。其中，Series 数据结构用于存储一个序列的一维数组，而 DataFrame 数据结构则用于存储复杂数据的二维数据结构。  
  
虽然这些数据结构不能解决所有的问题，但它们为大多数应用提供了有效且强大的工具，就简洁性而言，理解和使用它们都很简单。此外，很多更为复杂的数据结构都可以追溯到这两种结构。本节教程就对这两种结构中的 Series 重点介绍。  
  
Series 是一种类似于一维数组的对象，它是由一组数据（可以是 NumPy 中任意类型的数据）以及一组与之相关的数据标签组成的。Series 对象的内部结构是由两个相互关联的数组组成的，其中用于存放数据（即值）的是 value 主数组，主数组的每个元素都有一个与之相关联的标签（即索引），这些标签存储在另外一个叫作 Index 的数组中。  
  
Series 的表现形式为：索引在左边，值在右边。例如，Series 对象 \[2,4,-3,7\] 的内部结构如图 1 所示。

![Series内部结构][Series]  
图 1：Series 内部结构

## 1. 创建 Series 对象 ##

1) 通过 Series() 构造函数创建

创建 Series 对象的 Series() 构造函数如下：

pandas.Series(data\[, index\])

函数中的参数说明如下：

*  data 是输入给 Series 构造器的数据，它可以是 NumPy 中任意类型的数据；
 *  index 是 Series 对象中数据的标签（即索引）。

创建过程：调用 Series() 构造函数，把要存放在 Series 对象中的数据以数组形式传入，就能创建一个 Series 对象。例如，在 Jupyter Notebook 下输入下列代码：

In [1]:  import pandas as pd
    In [2]:  se1 = pd.Series([2,4,-3,7])

此代码声明了一个 Series 对象 se1，输出 se1，可见左边是标签，右边是标签对应的元素。

In [3]:  se1
    Out[3]:  0   2
             1   4
             2  -3
             3   7
             dtype:int64

声明 Series 时，若不指定标签，pandas 默认使用从 0 开始依次递增的数值作为标签，此时，标签与 Series 对象中元素的索引（在数组中的位置）是一致的。  
  
但是，如果想对各个数据使用有特定意义的标记（标签），就必须在调用 Series()构 造函数时，指定 index 选项，把存放有标签的数组赋值给 index。例如，设置标签的 Series 声明如下：

In [4]:  se2 = pd.Series([2,4,-3,7],index=['b','c','a','d'])
    In [5]:  se2
    Out[5]:  b    2
             c    4
             a   -3
             d    7
             dtype: int64

2) 用 NumPy 数组或其他 Series 对象定义新的 Series 对象

① 用 NumPy 数组定义新的 Series 对象代码如下：

In [6]:  import numpy as np
    In [7]:  arr = np.array([2,3,4,5])
    In [8]:  se3 = pd.Series(arr)
    In [9]:  se3
    Out[9]:  0    2
             1    3
             2    4
             3    5
             dtype: int32

② 用其他 Series 对象定义新的 Series 对象命令如下：

In [10]:  se4 = pd.Series(se2)
    In [11]:  se4
    Out[11]:  b    2
              c    4
              a   -3
              d    7
              dtype: int64

注意：利用这两种方法创建的新 Series 对象中的元素不是原 NumPy 数组或 Series 对象元素的副本，而是对它们的引用。也就是说，这些对象是动态插入到新 Series 对象中的。如改变原有对象元素的值，新 Series 对象中这些元素也会发生变化。

3) 将字典转换为 Series 对象

如果数据存放在字典中，字典中的一个键与值的映射关系，可以被看成是 Series 对象中的索引值到数据值的一个映射，因此，可以将字典直接转换为 Series 对象。

In [12]:  s_data = {'s_number':20171010, 'Normal':86, 'exam':90}
    In [13]:  se5 = pd.Series(s_data)
    In [14]:  se5
    Out[14]:  s_number    20171010
              Normal            86
              exam              90
              dtype: int64

注意：将字典直接转换为 Series 对象，当字典中值发生变化时，转换为 Series 对象中的元素不会变化。同样，也可以将 Series 对象转换成字典。

## 2. 查看 Series 值和标签 ##

通过 Series 的属性 values 和 index 可查看值和标签。  
  
例如：se2.values 查看值和 se2.index 查看标签。

## 3. 选择内部元素 ##

Series 索引的工作方式类似于 NumPy 数组的索引，只不过 Series 的索引值不只是整数。

1) 选择单个元素

若想获取 Series 对象的内部元素，把它看成普通的 NumPy 数组，指定索引即可。例如，se1\[2\] 获取元素是 -3。  
  
或者指定位于索引位置处的标签。例如，se2\['a'\] 获取的元素也是 -3。

2) 选择多个元素

通过 Series 索引的切片来选择多个元素时，切片“\[起始值：终止值：步长\]”所指定的元素是不包含终止值的元素，如没有指定终止值，则终止值是包含 Series 最后索引的元素。

In [15]:  se1[0:2]
    Out[15]:  0     2
              1     4
              dtype: int64

或者可以使用元素对应的标签，只不过要把标签放在数组中。

In [16]:  se2[['a','d']]
    Out[16]:  a    -3
              d     7
              dtype: int64

如利用标签的切片来选择多个元素时，切片“\[起始标签：终止标签\]”所指定的元素是包含终止标签的元素，如果没有指定终止标签，则终止标签是包含 Series 最后标签的元素。

In [17]:  se6 = pd.Series([1,2,3,4],index=['a', 'b', 'c', 'd'])
    In [18]:  se6['b':'c']
    Out[18]:  b    2
              C    3
              dtype: int64

## 4. 给元素赋值 ##

通过索引或标签选取元素后直接进行赋值。例如，se1\[1\]=1 或 se2\['a'\]=0。

## 5. Series 对象的简单运算 ##

pandas 库开发是以 NumPy 库为基础的，从数据结构而言，NumPy 数组中的许多操作都会保留到 Series 对象中，如根据条件筛选数据。还有适用于 NumPy 数组的算术运算符（ +、-、\*、/ ）和其他数学函数等，也适用于 Series 对象。

1) 筛选元素

筛选元素就是根据条件筛选数据结构中的元素。例如，筛选 se1 中大于 3 的元素。

In [19]:  se1[se1>3]
    Out[19]:  1     4
              3     7
              dtype: int64

2) 算术运算和数学函数

例如：se1\*2、np.exp(se1)。

## 6. Series 对象之间的运算 ##

在 Series 对象之间进行运算时，Series 能够通过识别标签对齐不一致的数据。这就是 Series 运算时的自动对齐功能。例如，将 se1 与 se1\[se1>3\] 相加，其结果如下：

In [20]:  se1 += se1[se1>3]
    In [21]:  se1
    Out[21]:  0     NaN
              1     8.0
              2     NaN
              3     14.0
              dtype: float64

通过上述计算得到了一个新 Series 对象，其中只对标签相同的元素求和，其他只属于各自的 Series 对象的标签也被添加到新对象中，只不过它们的值为 NaN。

## 7. NaN ##

一般来讲，NaN 表示数据有问题，必须对其进行处理，尤其是在数据分析时。从某些数据源抽取数据时遇到了问题，甚至是数据源缺失数据时，往往会产生这类数据。另外，在执行计算和函数运算时也会遇到这类数据。有关 NaN 数据的处理方法以后我们将进行介绍。  
  
尽管 NaN 值是在数据有问题时产生的，但在 pandas 中是可以定义这种类型的数据的，并将它添加到 Series 等数据结构中。在创建数据结构时，可以为数组中元素缺失的项输入 np.NaN。

## 8. 统计 Series 对象的组成元素 ##

Series 对象往往包含重复元素，因此，统计元素重复出现的次数和判断元素是否存在 Series 对象中是常用的操作。

1)  统计元素重复出现的次数

统计 Series 对象包含多少个不同的元素，可使用 unique() 函数返回一个由 Series 去重后的元素所组成的数组，但是数组中元素的顺序不会自动排序。

In [22]:  se = pd.Series([5,1,4,1,2,2])
    In [23]:  se.unique()
    Out[23]:  array([5, 1, 4, 2], dtype=int64)

另外，还有一个 value\_counts() 函数，它不仅能返回各个不同的元素，而且还能计算每个元素在 Series 中的出现次数。运行结果中左边是元素，右边是元素出现的次数。

In [24]:  se.value_counts()
    Out[24]:  2     2
              1     2
              5     1
              4     1
              dtype: int64

2) 判断元素是否存在

使用 isin() 函数可以判断给定的一列元素是否包含在 Series 数据结构中，如果给定的元素包含在数据结构中，isin() 函数返回是 True，否则返回是 False。利用此函数可以筛选 Series 或 DataFrame 列中的数据。

In [25]:  se.isin([0,2])
    Out[25]:  0     False
              1     False
              2     False
              3     False
              4     True
              5     True
              dtype: bool

[Series]: /images/20221120/718e7483a1c047db9daaf14a906986dd.png