Python pandas.Series用法及代码示例

用法: class pandas.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False)

带有轴标签(包括时间序列)的一维 ndarray。

标签不必是唯一的，但必须是可散列的类型。该对象支持基于整数和基于标签的索引，并提供了许多用于执行涉及索引的操作的方法。 ndarray 中的统计方法已被覆盖以自动排除丢失的数据(当前表示为 NaN)。

系列(+、-、/、*、**)之间的操作根据它们关联的索引值对齐值——它们不必是相同的长度。结果索引将是两个索引的排序联合。

参数：

data：array-like，可迭代、字典或标量值

包含存储在系列中的数据。如果 data 是一个 dict，则保持参数顺序。

index：array-like 或索引 (1d)

值必须是可散列的并且具有与 data 相同的长度。允许使用非唯一索引值。如果未提供，将默认为 RangeIndex (0, 1, 2, ..., n)。如果 data 为dict-like 并且 index 为 None，则将 data 中的键用作索引。如果索引不是 None，则使用索引值重新索引生成的 Series。

dtype：str、numpy.dtype 或 ExtensionDtype，可选

输出系列的数据类型。如果未指定，将从 data 推断。有关更多用法，请参阅用户指南。

name：str，可选

赋予系列的名称。

copy：布尔值，默认为 False

复制输入数据。仅影响 Series 或 1d ndarray 输入。请参阅示例。

例子：

从具有指定索引的字典构造系列

>>> d = {'a':1, 'b':2, 'c':3}
>>> ser = pd.Series(data=d, index=['a', 'b', 'c'])
>>> ser
a   1
b   2
c   3
dtype:int64

字典的键与索引值匹配，因此索引值无效。

>>> d = {'a':1, 'b':2, 'c':3}
>>> ser = pd.Series(data=d, index=['x', 'y', 'z'])
>>> ser
x   NaN
y   NaN
z   NaN
dtype:float64

请注意，索引首先使用字典中的键构建。在此之后，Series 使用给定的 Index 值重新索引，因此我们得到所有 NaN 作为结果。

使用 copy=False 从列表构造系列。

>>> r = [1, 2]
>>> ser = pd.Series(r, copy=False)
>>> ser.iloc[0] = 999
>>> r
[1, 2]
>>> ser
0    999
1      2
dtype:int64

由于输入数据类型，即使 copy=False ，系列也具有原始数据的 copy ，因此数据不变。

使用 copy=False 从一维 ndarray 构造系列。

>>> r = np.array([1, 2])
>>> ser = pd.Series(r, copy=False)
>>> ser.iloc[0] = 999
>>> r
array([999,   2])
>>> ser
0    999
1      2
dtype:int64

由于输入数据类型，Series 在原始数据上具有view，因此数据也发生了更改。

相关用法

注：本文由纯净天空筛选整理自pandas.pydata.org大神的英文原创作品 pandas.Series。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。