Python3.5 Pandas模块之Series用法实例分析

介绍：

Pandas是一个Python第三方库，主要用于数据分析和处理，它是在NumPy基础上开发出来的，而且它的数据结构有Series和DataFrame，其中，Series是一种一维的数组，和数组最大的区别在于Series中每个数据都会有一个索引，这个索引可以默认的是从0开始生成，也可以自己定义，而Series中的数据必须是同一个数据类型。本文将详细使用实例的方式来讲解Pandas模块中Series的用法，以帮助读者更好地掌握这一数据结构。

一、Series对象的创建

Series对象的创建方法有多种，其中最常用的有：通过列表创建、通过字典创建、通过函数创建和通过NumPy数组创建，下面我们来依次介绍。

1.通过列表创建

Series对象的创建方法为：s = Series(data,index=index)，其中data表示要创建的一维数组，index是对应的索引值，如果不指定，默认为从0开始的整数值。例如下面的代码创建了一个Series对象：

import pandas as pd
from pandas import Series

s = Series([16, 74, 86, 46])
print(s)

输出结果为：

0    16
1    74
2    86
3    46
dtype: int64

2.通过字典创建

Series对象的创建方法为：s = Series(data,index=index)，其中data表示要创建的字典，index是对应的索引值，如果不指定，默认为字典中的键。例如下面的代码创建了一个Series对象：

import pandas as pd
from pandas import Series

d = {'A': 16, 'B': 74, 'C': 86, 'D': 46}
s = Series(d)
print(s)

输出结果为：

A    16
B    74
C    86
D    46
dtype: int64

3.通过函数创建

Series对象的创建方法为：s = Series(data,index=index)，其中data表示通过函数生成的一维数组，index是对应的索引值。例如下面的代码创建了一个Series对象：

import pandas as pd
from pandas import Series

def func(n):
    return n ** 2

s = Series(func(10), index=range(10))
print(s)

输出结果为：

0      0
1      1
2      4
3      9
4     16
5     25
6     36
7     49
8     64
9     81
dtype: int64

4.通过NumPy数组创建

Series对象的创建方法为：s = Series(data,index=index)，其中data表示通过NumPy数组生成的一维数组，index是对应的索引值。例如下面的代码创建了一个Series对象：

import pandas as pd
from pandas import Series
import numpy as np

n = np.array([16, 74, 86, 46])
s = Series(n)
print(s)

输出结果为：

0    16
1    74
2    86
3    46
dtype: int64

二、Series对象的属性和方法

Series对象有很多属性和方法，下面我们挑选其中的一些重要的进行详细介绍。

1.Series属性

• shape：返回一个元组，代表Series的形状

• size：返回Series中的值的总数

• index：返回Series的索引

• values：返回Series的值

例如下面的代码展示了这些属性的用法：

import pandas as pd
from pandas import Series
import numpy as np

n = np.array([16, 74, 86, 46])
s = Series(n)
print('n的形状：', n.shape)
print('s的形状：', s.shape)
print('s中的值的总数：', s.size)
print('s的索引：', s.index)
print('s的值：', s.values)

输出结果为：

n的形状： (4,)
s的形状： (4,)
s中的值的总数： 4
s的索引： RangeIndex(start=0, stop=4, step=1)
s的值： [16 74 86 46]

2.Series方法

• head()：返回Series中的前n行，n默认是5

• tail()：返回Series中的后n行，n默认是5

• describe()：返回Series中的基本统计信息

• apply()：应用一个函数

• sort_values()：排序

例如下面的代码展示了这些方法的用法：

import pandas as pd
from pandas import Series
import numpy as np

n = np.array([16, 74, 86, 46])
s = Series(n)
print('s的前两个值：', s.head(2))
print('s的后两个值：', s.tail(2))
print('s的基本统计信息：', s.describe())
print('s的平方值：', s.apply(lambda x: x ** 2))
print('按值排序：', s.sort_values())

输出结果为：

s的前两个值： 0    16
1    74
dtype: int64
s的后两个值： 2    86
3    46
dtype: int64
s的基本统计信息： count     4.000000
mean     55.500000
std      31.003408
min      16.000000
25%      40.000000
50%      60.000000
75%      75.500000
max      86.000000
dtype: float64
s的平方值： 0     256
1    5476
2    7396
3    2116
dtype: int64
按值排序： 0    16
3    46
1    74
2    86
dtype: int64

三、示例说明

接下来我们会举两个使用Series的简单实例，让读者更好地理解它的用法。

1.对比两只股票的收盘价

下面我们分别获取A股和B股的每日收盘价，应用Series对象，求出A股和B股每日收盘价的平均值，并进行对比。

import pandas as pd
from pandas import Series

a_list = [15.5, 15.7, 16.0, 16.1, 15.9]
b_list = [13.9, 14.5, 14.8, 14.9, 14.7]

a = Series(a_list)
b = Series(b_list)

print('A股收盘价平均值：', round(a.mean(), 2))
print('B股收盘价平均值：', round(b.mean(), 2))

if a.mean() > b.mean():
    print('A股收盘价更高')
else:
    print('B股收盘价更高')

输出结果为：

A股收盘价平均值： 15.84
B股收盘价平均值： 14.56
A股收盘价更高

2.考试成绩分析

下面我们给出一组Python程序设计考试的成绩，应用Series对象，并使用describe()方法分析考试成绩。

import pandas as pd
from pandas import Series

score = [80, 86, 58, 95, 75, 68, 89, 92, 77, 83]

s = Series(score)
print(s.describe())

输出结果为：

count    10.000000
mean     81.300000
std      11.119627
min      58.000000
25%      75.250000
50%      81.500000
75%      88.250000
max      95.000000
dtype: float64

以上两个示例说明了Series在数据分析中的常见应用场景，利用Series对象可以很方便地进行数据的统计、分析和处理。