根本数据布局
Pandas提供了两种类型的类来处理惩罚数据：
- Series：生存任何类型数据的一维数组。例如整数、字符串、Python对象等。
- DataFrame：一种二维数据布局，用于生存数据，如二维数组，或具有行和列的表格。
Series
带有轴标签的一维 ndarray。标签不必是唯一的，但必须是可哈希类型。该对象支持基于整数和基于标签的索引，并提供了许多用于实行涉及索引的操作的方法。 ndarray 中的统计方法已被重写，以自动排除缺失数据。
系列（+、-、/、*、**）之间的运算，根据关联的索引值，进行对齐， 它们不需要具有相同的长度。效果索引将是两个索引的排序并集。
构造器
词法：pandas.Series(data=None, index=None, dtype=None, name=None, copy=None, fastpath=<no_default>)
参数分析
- data，该参数类型是雷同数组、可迭代、字典或标量值。包含存储在Series中的数据。假如数据是字典，则保持参数顺序。
- index，该参数类型是雷同数组或索引（1的） 。值必须是可哈希的，而且与参数data具有相同的长度。允许使用非唯一索引值。
假如未提供index，将默认为 RangeIndex (0, 1, 2, …, n)。
假如数据是雷同字典，且索引为None，则数据中的键，将用作索引。
假如索引不是None，则生成的 Series 将使用索引值，重新索引。
- dtype，该参数类型是字符串、numpy.dtype或ExtensionDtype，是可选的。是输出Series的数据类型。假如未指定，则将从数据推导出来。
- name，该参数类型是Hashable，默认值为None。赋予系列的名称。
- copy，该参数类型是bool, 默认值为False。复制输入数据。仅影响 Series 或 1d ndarray 输入。
参数data是字典的Series
- >>> d = {"a":1,"b":2,"c":3}
- >>>> print(type(d))
- <class 'dict'>
- >>> s1 = pd.Series(d)
- >>> print(type(s1))
- <class 'pandas.core.series.Series'>
- >>> print(s1)
- a 1
- b 2
- c 3
- dtype: int64
- >>> l = (0.1,0.2,0.3,0.5)
- >>> print(type(l))
- <class 'tuple'>
- >>> s2 = pd.Series(l)
- >>> print(type(s2))
- <class 'pandas.core.series.Series'>
- >>> print(s2)
- 0 0.1
- 1 0.2
- 2 0.3
- 3 0.5
- dtype: float64
- >>> print(s2[1])
- 0.2
- >>> a = ["a", "b", "c", "d"]
- >>> print(type(a))
- <class 'list'>
- >>> s3 = pd.Series(a)
- >>> print(type(s3))
- <class 'pandas.core.series.Series'>
- >>> print(s3)
- 0 a
- 1 b
- 2 c
- 3 d
- dtype: object
- >>> print(s3[1])
- b
- >>> print(type(s3[1]))
- <class 'str'>
属性分析T返回转置，根据界说，它是 self。array支持该系列或索引的数据的 ExtensionArray。at访问行/列标签对的单个值。attrs该数据集的全局属性字典。axes返回行轴标签的列表。dtype返回底子数据的 dtype 对象。empty指示Series/DataFrame是否为空flags获取与此 pandas 对象关联的属性。hasnans假如存在任何 NaN，则返回 True。iat按整数位置访问行/列对的单个值。iloc（已弃用）纯粹基于整数位置的索引，用于按位置选择。index系列的索引（轴标签）。is_monotonic_decreasing假如对象中的值单调递减，则返回布尔值。is_monotonic_increasing假如对象中的值单调递增，则返回布尔值。is_unique假如对象中的值是唯一的，则返回布尔值。loc通过标签或布尔数组访问一组行和列。name返回系列的名称。nbytes返回底子数据中的字节数。ndim根据界说，底子数据的维度数为 1。shape返回底子数据形状的元组。size返回底子数据中的元素数目。values根据数据类型将 Series 返回为 ndarray 或 ndarray-like。 属性应用
Series的array属性
- >>> a = ["a", "b", "c", "d"]
- >>> s3 = pd.Series(a)
- >>> s3.array
- <NumpyExtensionArray>
- ['a', 'b', 'c', 'd']
- Length: 4, dtype: object
- >>> l = ["a", "b", "c", "d","e"]
- >>> s3 = pd.Series(l)
- >>> s = pd.Series(l)
- >>> s.axes
- [RangeIndex(start=0, stop=5, step=1)]
- >>> l=['1','2','3','4','5','6']
- >>> s = pd.Series(l)
- >>> s.nbytes
- 48
- >>> s.shape
- (6,)
- >>> s.values
- array(['1', '2', '3', '4', '5', '6'], dtype=object)
函数分析abs()返回包含每个元素的绝对数值的 Series/DataFrame。add(other[, level, fill_value, axis])返回系列和其他元素的加法（二元运算符加）。add_prefix(prefix[, axis])带有字符串前缀的前缀标签。add_suffix(suffix[, axis])带有字符串后缀的后缀标签。agg([func, axis])使用指定轴上的一项或多项操作进行聚合。aggregate([func, axis])使用指定轴上的一项或多项操作进行聚合。align(other[, join, axis, level, copy, …])使用指定的连接方法将两个对象在其轴上对齐。all([axis, bool_only, skipna])返回是否所有元素都为 True（可能在轴上）。any(*[, axis, bool_only, skipna])返回任何元素是否为 True，可能在轴上apply(func[, convert_dtype, args, by_row])对 Series 的值调用函数。argmax([axis, skipna])返回系列中最大值的 int 位置。argmin([axis, skipna])返回系列中最小值的 int 位置。argsort([axis, kind, order, stable])返回对 Series 值进行排序的整数索引。asfreq(freq[, method, how, normalize, …])将时间序列转换为指定频率。asof(where[, subset])返回最后一行，where 之前没有任何 NaN。astype(dtype[, copy, errors])将 pandas 对象转换为指定的 dtype dtype。at_time(time[, asof, axis])选择一天中特定时间的值（例如上午 9:30）。autocorr([lag])计算滞后 N 自相关。backfill(*[, axis, inplace, limit, downcast])（已弃用）通过使用下一个有用观察值来填充 NA/NaN 值以填补空白。between(left, right[, inclusive])返回相称于左 <= 系列 <= 右的布尔系列。between_time(start_time, end_time[, …])选择一天中特定时间之间的值（例如上午 9:00-9:30）。bfill(*[, axis, inplace, limit, limit_area, …])通过使用下一个有用观察来填补空白来填充 NA/NaN 值。bool()（已弃用）返回单个元素 Series 或 DataFrame 的 bool。case_when(caselist)替换条件为 True 的值。clip([lower, upper, axis, inplace])在输入阈值处修剪值。combine(other, func[, fill_value])根据 func 将系列与系列或标量组合。combine_first(other)使用“other”中相同位置的值更新空元素。compare(other[, align_axis, keep_shape, …])与其他系列进行比较并显示差异。convert_dtypes([infer_objects, …])使用支持 pd.NA 的数据类型将列转换为最佳可能的数据类型。copy([deep])复制该对象的索引和数据。corr(other[, method, min_periods])计算与其他系列的相关性，排除缺失值。count()返回系列中非 NA/null 观测值的数目。cov(other[, min_periods, ddof])计算系列的协方差，排除缺失值。cummax([axis, skipna])返回 DataFrame 或 Series 轴上的累积最大值。cummin([axis, skipna])返回 DataFrame 或 Series 轴上的累积最小值。cumprod([axis, skipna])返回 DataFrame 或 Series 轴上的累积乘积。cumsum([axis, skipna])返回 DataFrame 或 Series 轴上的累积和。describe([percentiles, include, exclude])生成形貌性统计数据。diff([periods])元素的第一个离散差分。div(other[, level, fill_value, axis])返回系列和其他元素的浮点除法（二元运算符 truediv）。divide(other[, level, fill_value, axis])返回系列和其他元素的浮点除法（二元运算符 truediv）。divmod(other[, level, fill_value, axis])返回整数除法以及系列和其他元素的模（二元运算符 divmod）。dot(other)计算系列和其他列之间的点积。drop([labels, axis, index, columns, level, …])返回已删除指定索引标签的系列。drop_duplicates(*[, keep, inplace, ignore_index])返回已删除重复值的系列。droplevel(level[, axis])返回系列/数据帧，并删除哀求的索引/列级别。dropna(*[, axis, inplace, how, ignore_index])返回删除了缺失值的新系列。duplicated([keep])指示重复的系列值。eq(other[, level, fill_value, axis])返回等于系列和其他元素，按元素（二元运算符 eq）。equals(other)测试两个对象是否包含相同的元素。ewm([com, span, halflife, alpha, …])提供指数加权 (EW) 计算。expanding([min_periods, axis, method])提供扩展窗口计算。explode([ignore_index])将雷同列表的每个元素转换为一行。factorize([sort, use_na_sentinel])将对象编码为枚举类型或分类变量。ffill(*[, axis, inplace, limit, limit_area, …])通过将最后一个有用观测值传播到下一个有用观测值来填充 NA/NaN 值。fillna([value, method, axis, inplace, …])使用指定的方法填充 NA/NaN 值。filter([items, like, regex, axis])根据指定的索引标签对数据帧行或列进行子集化。first(offset)（已弃用）根据日期偏移选择时间序列数据的初始周期。first_valid_index()返回第一个非 NA 值的索引，假如未找到非 NA 值，则返回 None。floordiv(other[, level, fill_value, axis])返回系列和其他元素的整数除法（二元运算符 Floordiv）。ge(other[, level, fill_value, axis])返回大于或等于系列和其他元素，按元素（二元运算符 ge）。get(key[, default])从给定键的对象中获取项目（例如：DataFrame 列）。groupby([by, axis, level, as_index, sort, …])使用映射器或一系列列对系列进行分组。gt(other[, level, fill_value, axis])返回大于系列和其他元素的值（二元运算符 gt）。head([n])返回前 n 行。hist([by, ax, grid, xlabelsize, xrot, …])使用 matplotlib 绘制输入序列的直方图。idxmax([axis, skipna])返回最大值的行标签。idxmin([axis, skipna])返回最小值的行标签。infer_objects([copy])实验为对象列推断更好的数据类型。info([verbose, buf, max_cols, memory_usage, …])打印系列的简明择要。interpolate([method, axis, limit, inplace, …])使用插值方法填充 NaN 值。isin(values)Series 中的元素是否包含在值中。isna()检测缺失值。isnull()Series.isnull 是Series.isna 的别名。item()以 Python 标量形式返回底子数据的第一个元素。items()惰性迭代（索引，值）元组。keys()返回索引的别名。kurt([axis, skipna, numeric_only])返回哀求轴上的无偏峰度。kurtosis([axis, skipna, numeric_only])返回哀求轴上的无偏峰度。last(offset)（已弃用）根据日期偏移选择时间序列数据的最终周期。last_valid_index()返回最后一个非 NA 值的索引，假如未找到非 NA 值，则返回 None。le(other[, level, fill_value, axis])lt(other[, level, fill_value, axis])返回小于系列和其他元素的值（二元运算符 lt）。map(arg[, na_action])根据输入映射或函数映射 Series 的值。mask(cond[, other, inplace, axis, level])替换条件为 True 的值。max([axis, skipna, numeric_only])返回哀求轴上的最大值。mean([axis, skipna, numeric_only])返回哀求轴上的值的平均值。median([axis, skipna, numeric_only])返回哀求轴上的值的中位数。memory_usage([index, deep])返回系列的内存使用情况。min([axis, skipna, numeric_only])返回哀求轴上的最小值。mod(other[, level, fill_value, axis])返回系列和其他元素的模（二元运算符 mod）。mode([dropna])返回系列的模式。mul(other[, level, fill_value, axis])返回系列和其他元素的乘法（二元运算符 mul）。multiply(other[, level, fill_value, axis])返回系列和其他元素的乘法（二元运算符 mul）。ne(other[, level, fill_value, axis])返回不等于系列和其他元素，按元素（二元运算符 ne）。nlargest([n, keep])返回最大的 n 个元素。notna()检测现有（非缺失）值。notnull()Series.notnull 是Series.notna 的别名。nsmallest([n, keep])返回最小的 n 个元素。nunique([dropna])返回对象中唯一元素的数目。pad(*[, axis, inplace, limit, downcast])（已弃用）通过将最后一个有用观测值传播到下一个有用观测值来填充 NA/NaN 值。pct_change([periods, fill_method, limit, freq])当前元素与先前元素之间的分数变化。pipe(func, *args, **kwargs)应用需要 Series 或 DataFrame 的可链接函数。pop(item)返回系列中的物品和掉落物。pow(other[, level, fill_value, axis])返回级数和其他元素的指数幂（二元运算符 pow）。prod([axis, skipna, numeric_only, min_count])返回哀求轴上的值的乘积。product([axis, skipna, numeric_only, min_count])返回哀求轴上的值的乘积。quantile([q, interpolation])返回给定分位数的值。radd(other[, level, fill_value, axis])返回系列和其他元素的加法（二元运算符 radd）。rank([axis, method, numeric_only, …])计算沿轴的数值数据排名（1 到 n）。ravel([order])（已弃用）将展平的底子数据作为 ndarray 或 ExtensionArray 返回。rdiv(other[, level, fill_value, axis])返回系列和其他元素的浮点除法（二元运算符 rtruediv）。rdivmod(other[, level, fill_value, axis])返回整数除法以及系列和其他元素的模（二元运算符 rdivmod）。reindex([index, axis, method, copy, level, …])通过可选的填充逻辑使系列符合新索引。reindex_like(other[, method, copy, limit, …])返回一个与其他对象具有匹配索引的对象。rename([index, axis, copy, inplace, level, …])更改系列索引标签或名称。rename_axis([mapper, index, axis, copy, inplace])设置索引或列的轴名称。reorder_levels(order)使用输入顺序重新排列索引级别。repeat(repeats[, axis])重复系列的元素。replace([to_replace, value, inplace, limit, …])将 to_replace 中给出的值替换为 value。resample(rule[, axis, closed, label, …])对时间序列数据重新采样。reset_index([level, drop, name, inplace, …])生成一个新的 DataFrame 或 Series 并重置索引。rfloordiv(other[, level, fill_value, axis])返回系列和其他元素的整数除法（二元运算符 rfloordiv）。rmod(other[, level, fill_value, axis])返回系列和其他元素的模（二元运算符 rmod）。rmul(other[, level, fill_value, axis])返回系列和其他元素的乘法（二元运算符 rmul）。rolling(window[, min_periods, center, …])提供滚动窗口计算。round([decimals])系列中的每个值四舍五入到给定的小数位数。rpow(other[, level, fill_value, axis])返回级数和其他元素的指数幂（二元运算符 rpow）。rsub(other[, level, fill_value, axis])返回系列和其他元素的减法（二元运算符 rsub）。rtruediv(other[, level, fill_value, axis])返回系列和其他元素的浮点除法（二元运算符 rtruediv）。sample([n, frac, replace, weights, …])从对象轴返回项目的随机样本。searchsorted(value[, side, sorter])查找应插入元素，以维持顺序的索引。sem([axis, skipna, ddof, numeric_only])返回哀求轴上平均值的无偏尺度误差。set_axis(labels, *[, axis, copy])将所需索引分配给给定轴。set_flags(*[, copy, allows_duplicate_labels])返回带有更新标志的新对象。shift([periods, freq, axis, fill_value, suffix])使用可选的时间频率将索引移动所需的周期数。skew([axis, skipna, numeric_only])返回哀求轴上的无偏斜。sort_index(*[, axis, level, ascending, …])按索引标签对系列进行排序。sort_values(*[, axis, ascending, inplace, …])按值排序。squeeze([axis])将一维轴对象压缩为标量。std([axis, skipna, ddof, numeric_only])返回哀求轴上的样本尺度差。sub(other[, level, fill_value, axis])返回系列和其他元素的减法（二元运算符 sub）。subtract(other[, level, fill_value, axis])返回系列和其他元素的减法（二元运算符 sub）。sum([axis, skipna, numeric_only, min_count])返回哀求轴上的值的总和。swapaxes(axis1, axis2[, copy])（已弃用）适当地交换轴和交换值轴。swaplevel([i, j, copy])交换 MultiIndex 中的级别 i 和 j。tail([n])返回最后 n 行。take(indices[, axis])返回沿轴给定位置索引中的元素。to_clipboard(*[, excel, sep])将对象复制到系统剪贴板。to_csv([path_or_buf, sep, na_rep, …])将对象写入逗号分隔值 (csv) 文件。to_dict(*[, into])将 Series 转换为 {label -> value} 字典或雷同字典的对象。to_excel(excel_writer, *[, sheet_name, …])将对象写入 Excel 工作表。to_frame([name])将系列转换为数据帧。to_hdf(path_or_buf, *, key[, mode, …])使用 HDFStore 将包含的数据写入 HDF5 文件。to_json([path_or_buf, orient, date_format, …])将对象转换为 JSON 字符串。to_latex([buf, columns, header, index, …])将对象渲染为 LaTeX 表格、长表或嵌套表。to_list()返回值的列表。to_markdown([buf, mode, index, storage_options])以 Markdown 友爱格式打印系列。to_numpy([dtype, copy, na_value])表现该系列或索引中的值的 NumPy ndarray。to_period([freq, copy])将系列从日期时间索引转换为周期索引。to_pickle(path, *[, compression, protocol, …])将对象序列化到文件。to_sql(name, con, *[, schema, if_exists, …])将存储在 DataFrame 中的记录写入 SQL 数据库。to_string([buf, na_rep, float_format, …])渲染系列的字符串表现形式。to_timestamp([freq, how, copy])在周期开始时转换为时间戳的 DatetimeIndex。to_xarray()从 pandas 对象返回一个 xarray 对象。tolist()返回值的列表。transform(func[, axis])调用 func 来生成一个与 self 具有相同轴形状的 Series。transpose(*args, **kwargs)返回转置，根据界说，它是 self。truediv(other[, level, fill_value, axis])返回系列和其他元素的浮点除法（二元运算符 truediv）。truncate([before, after, axis, copy])在某个索引值之前和之后截断 Series 或 DataFrame。tz_convert(tz[, axis, level, copy])将 tz 感知轴转换为目标时区。tz_localize(tz[, axis, level, copy, …])将 Series 或 DataFrame 的 tz-naive 索引本地化到目标时区。unique()返回 Series 对象的唯一值。unstack([level, fill_value, sort])Unstack，也称为pivot，使用MultiIndex的Series来生成DataFrame。update(other)使用传递的系列中的值就地修改系列。value_counts([normalize, sort, ascending, …])返回包含唯一值计数的系列。var([axis, skipna, ddof, numeric_only])返回哀求轴上的无偏方差。view([dtype])（已弃用）创建系列的新视图。where(cond[, other, inplace, axis, level])替换条件为 False 的值。xs(key[, axis, level, drop_level])从系列/数据帧返回横截面。 函数应用
add函数实列
- >>> l=['1','2','3','5']
- >>> s = pd.Series(l)
- >>> s.add('abc')
- 0 1abc
- 1 2abc
- 2 3abc
- 3 5abc
- dtype: object
- >>> l=[1,2,3,5]
- >>> s = pd.Series(l)
- >>> s1 = s.astype('O')
- >>> s1.dtype
- dtype('O')
- >>> s.dtype
- dtype('int64')
- >>> l1=[1,2,3,5]
- >>> s = pd.Series(l1)
- >>> l2 = s.to_list()
- >>> print(type(s))
- <class 'pandas.core.series.Series'>
- >>> print(type(l2))
- <class 'list'>
|
