11.Series常用属性和方法

3) Series的基本概念

可以把Series看成一个定长的有序字典

可以通过shape, size, index,values等得到series的属性

可以使用head(),tail()分别查看前n个和后n个值

当索引没有对应的值时,可能出现缺失数据显示NaN (not a number )的情况

可以使用pd.isnull(), pd.notnull() ,或自带isnull(),notnull()函数检测缺失数据

使用bool型的列表访问数组对象

Series对象本身及其实例都有一个name属性

根据值排序

根据索引排序

统计值出现的次数

----------------------------------------------------------------------------------------------------------------------------------------------

可以通过shape, size, index,values等得到series的属性

import numpy as np 
import pandas as pd 
from pandas import Series, DataFrame 
import matplotlib as mpl
s_score=Series(data=[150,150,150,300],index=["语文","数学","英语","理综"])
s_score

语文    150
数学    150
英语    150
理综    300
dtype: int64

s_score.shape

(4,)

s_score.size

#运行输出
4

#获取显示索引
#Series(data,index)
s_score.index

Index(['语文', '数学', '英语', '理综'], dtype='object')

s_score.values

array([150, 150, 150, 300], dtype=int64)

#应用方式举例

 

#查找由没有语文
(s_score.index=="语文").any()

 

True

s_score2 =Series (data=np. random.randint(0,150,size=4), index=s_score.index) 
s_score2

语文    52
数学    74
英语    39
理综    68
dtype: int32

可以使用head(),tail()分别查看前n个和后n个值

 

 

#是切片操作，但一般用于查看数据结构
#可以使用head(),tail()分别查看前n个和后n个值
s_score2.head(2)

 

语文    52
数学    74
dtype: int32

#可以使用head(),tail()分别查看前n个和后n个值
s_score2.tail(2)

英语    39
理综    68
dtype: int32

当索引没有对应的值时,可能出现缺失数据显示NaN (not a number )的情况

 

   #当没有对应值时显示 NaN，表示空值
dic ={"name":"tom", "address":"北京"}
s=Series (data=dic, index=["name", "address", "oldname"])
s

name       tom
address     北京
oldname    NaN
dtype: object

可以使用pd.isnull(), pd.notnull() ,或自带isnull(),notnull()函数检测缺失数据

#查看大量的数据集中是否存在至少一个空值
s.isnull().any()

True

#查看大量的数据查看是否全部不为空
s.notnull().all()

False

#Series对象本身及其实例都有一个name属性

#Series的#Name属性,往往会成为二维表格中的列字段名称
Series(data=np. random. randint (0, 100, size=5), name="score")

0    63
1    64
2    43
3    82
4    17
Name: score, dtype: int32

根据值排序

score = Series (data=np. random. randint (0, 100, size=5), index=list ("bcade"), name=" score") 
score

0     2
1    70
2    14
3    92
4    18
Name: score, dtype: int32

#根据值排序
score. sort_values (ascending=False)

 

d    85
c    70
e    69
a    41
b     6
Name:  score, dtype: int32

#根据索引排序

#根据索引排序
score.sort_index()

a    41
b     6
c    70
d    85
e    69
Name:  score, dtype: int32

#统计值出现的次数

#统计每个用户的个数
user_name = Series (data=["tom", "tom", "tom", "lucy", "lucy"]) 
user_name. value_counts ()

tom     3
lucy    2
dtype: int64