一起学数据分析之pandas(01)——数据结构介绍(Series)

from pandas import Series, DataFrame
import pandas as pd

要使用pandas，首先就得熟悉它的两个主要数据结构：Series和DateFrame。虽然它们并不能解决所有问题，但它们为大多数应用提供了一种可靠的、易于使用的基础。

Series是一种类似于一位数组的对象，它由一组数据(各种NumPy数据类型)以及一组与之相关的数据标签(即索引)组成。仅有一组数据即可产生最简单的Series:

In [26]:

obj = Series([4,7,5,-3])
obj

Out[26]:

0    4
1    7
2    5
3   -3
dtype: int64

Series的字符表现形式为：索引在左边，值在右边。由于我们没有为数据指定索引，于是会自动创建一个0到N-1(N为数据的长度)的整数型索引。你可以通过Series的values和index属性获取其数组表示形式的索引对象:

In [5]:

obj.index

Out[5]:

RangeIndex(start=0, stop=4, step=1)

In [6]:

obj.values

Out[6]:

array([ 4,  7,  5, -3])

通常，我们希望所创建的Series带有一个可以对各个数据点进行标记的索引：

In [2]:

obj2 = Series([4,7,-5,3], index=['d','b','a','c'])
obj2

Out[2]:

d    4
b    7
a   -5
c    3
dtype: int64

In [3]:

obj2.index

Out[3]:

Index(['d', 'b', 'a', 'c'], dtype='object')

与普通的NumPy数据相比，你可以通过索引的方式选取Series中的单个或一组值:

In [4]:

obj2['a']

Out[4]:

-5

In [5]:

obj2['d'] = 6
obj2

Out[5]:

d    6
b    7
a   -5
c    3
dtype: int64

In [6]:

obj2[['a','b','c','d']]

Out[6]:

a   -5
b    7
c    3
d    6
dtype: int64

NumPy数组运算(如根据布尔型数组进行过滤、标量乘法、应用数学函数等)都会保留索引和值之间的链接

In [7]:

obj2

Out[7]:

d    6
b    7
a   -5
c    3
dtype: int64

In [8]:

obj2[obj2 > 0]

Out[8]:

d    6
b    7
c    3
dtype: int64

In [9]:

obj2 * 2

Out[9]:

d    12
b    14
a   -10
c     6
dtype: int64

In [11]:

import numpy as np
np.exp(obj2)

Out[11]:

d     403.428793
b    1096.633158
a       0.006738
c      20.085537
dtype: float64

还可以将Series看成是一个定长的有序字典，因为它是索引值到数据值的一个映射。它可以用在许多原本需要字典参数的函数中：

In [12]:

'b' in obj2

Out[12]:

True

In [13]:

'e' in obj2

Out[13]:

False

如果数据被存放在一个Python字典中，也可以直接通过这个字典来创建Series:

In [14]:

sdata = {'Ohio':35000,'Texas':71000,'Oregon':16000,'Utah':5000}

In [15]:

obj3 = Series(sdata)
obj3

Out[15]:

Ohio      35000
Texas     71000
Oregon    16000
Utah       5000
dtype: int64

如果只传入一个字典，则结果Series中的索引就是原字典的键（有序排列）。

In [32]:

states = ['California','Ohio','Oregon','Texas']

In [33]:

obj4 = Series(sdata, index=states)

In [34]:

obj4

Out[34]:

California        NaN
Ohio          35000.0
Oregon        16000.0
Texas         71000.0
dtype: float64

在上面的例子中，sdata中跟states索引相匹配的那3个值会被找出来并放到相应的位置上，但由于'California'所对应的sdata值找不到，所以其结果就为NaN（即'非数字'，在pandas中，它用于表示缺失或NA值）。我将使用缺失或NA表示缺失数据。pandas的isnull和notnull函数可用于检测缺失数据：

In [35]:

pd.isnull(obj4)

Out[35]:

California     True
Ohio          False
Oregon        False
Texas         False
dtype: bool

In [36]:

pd.notnull(obj4)

Out[36]:

California    False
Ohio           True
Oregon         True
Texas          True
dtype: bool

Series也有类似的实例方法：

In [37]:

obj4.isnull()

Out[37]:

California     True
Ohio          False
Oregon        False
Texas         False
dtype: bool

在后面，我也会涉及到如何处理缺失数据的详细内容。

对于许多应用而言，Series最重要的一个功能是：它在算术运算中会自动对齐不同索引的数据：

In [38]:

obj3 + obj4

Out[38]:

California         NaN
Ohio           70000.0
Oregon         32000.0
Texas         142000.0
Utah               NaN
dtype: float64

数据对齐功能，后面会单独介绍。

Series对象本身及其索引都有一个name属性，该属性跟pandas其他的关键功能关系非常密切：

In [39]:

obj4.name = 'population'
obj4.index.name = 'state'
obj4

Out[39]:

state
California        NaN
Ohio          35000.0
Oregon        16000.0
Texas         71000.0
Name: population, dtype: float64

Series的索引可以通过赋值的方式就地修改：

In [40]:

obj.index = ['Bob','Steve','Jeff','Ryan']

In [41]:

obj

Out[41]:

Bob      4
Steve    7
Jeff     5
Ryan    -3
dtype: int64