7.1 pandas的导入方法：

import pandas as pd 或者 from pandas ipmort *

import pandas as pd
import numpy as np
from sqlalchemy import create_engine
engine = create_engine('mysql+pymysql://root:123456@localhost/dataanlysis?charset=utf8')

7.2pandas的数据结构

1.创建Series对象

(1)通过Series()构造函数创建

格式：pandas.Series(data[, index])

参数说明：

• data:输入的数据，它可以是NmuPy中任意数据类型
• index:series对象中数据的标签
• 调用Series()构造函数，要把存放在series对象中的数据一数组形式传入，例如：

se1 = pd.Series([2,4,-3,7])

左边是标签，右边是标签对应的元素

se1

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

声明series时，若不指定标签，则默认使用从0开始依次递增作为标签；如果想对数据使用特殊意义的标签，需指定index选项，把存有标签的数组赋值给index,例如：

se2=pd.Series([2,4,-3,7],index=['b','c','a','d'])
se2

b
2
c
4
a
-3
d
7
dtype: int64

（2）用Numpy数组或其他series对象定义新的series对象

1）.用数组定义新的series对象，代码如下：

arr=np.array([2,3,4,5])

se3=pd.Series(arr)

se3

0
2
1
3
2
4
3
5
dtype: int32

2）用其他series对象定义新的series对象，命令如下

se4=pd.Series(se2)

se4

b
2
c
4
a
-3
d
7
dtype: int64

这两种方式的对象都是动态插入的，原有对象的值发生变化，新series对象中这些元素也会发生变化

（3）将字典转换为series对象

字典中的一个键与值的映射关系，可以看做是series对象中的索引值到数据值的一个映射，因此，可以将字典直接转化为series对象

s_data={'电话':15696663527,'年龄':19,'exam':90}

se5=pd.Series(s_data)

se5

电话
15696663527
年龄
19
exam
90
dtype: int64

注意：
将字典直接转化为series对象，当字典的值变化时，已经转化为series对象中的元素不会变化。同样，也可以将series对象转换成字典

2.查看Series值和标签

通过series的属性values和index可查看值和标签

例如：se2.values查看值和se2.index查看标签

3.选择内部元素

（1）选择单个元素

若想获取series对象的内部元素，把它看成普通的NumPy数组，指定索引即可。例如se1[2]获取的元素是-3

或指定位于索引位置处的标签。例如，se2[‘a’]获取的元素也是-3

（2）选择多个元素

通过切片来选择多个元素，切片“[起始值:终止值:步长]”,如果没有终止值，则默认终止值为最后一个索引

se1[0:3]

0
2
1
4
2
-3
dtype: int64

或者可以使用元素对应的标签，需把标签放入数组中

se2[['a','d','b']]

a
-3
d
7
b
2
dtype: int64

利用标签的切片来选择多个元素时，切片“[起始标签:终止标签]”，如果没有终止标签，则默认最后一个标签

xse6=pd.Series([1,2,3,4,5,6,7],index=['a','b','c','z','e','h','d'])

se6['b':'d']

b
2
c
3
z
4
e
5
h
6
d
7
dtype: int64

4.给元素赋值

通过索引或标签选取元素后直接赋值。例如 se1[1]=1或sw2[‘a’]=0

5.Series对象的简单运算

（1）筛选元素

根据条件筛选数据结构中的元素。例如，筛选se1中大于3的元素

se1[se1>3]

1
4
3
7
dtype: int64

(算术运算和数学函数)

例如：se1*2 np.exp(se2)

6.Series对象之间的运算

series能够通过识别标签对齐不一致的数据。这就是series运算时的自动对齐功能

例如，将se1和se1[se1>3]相加：

se1+= se1[se1>3]

se1

0
NaN
1
8.0
2
NaN
3
14.0
dtype: float64

7.NaN

一般来讲，NaN表示数据有问题，必须对其进行处理，尤其是在数据分析时

8.统计Series对象的组成元素

（1）统计元素重复出现的次数

统计series对象包含多少个不同的元素，可使用unique()函数返回一个由Series去重后的元素所组成的数组，但是数组中元素的顺序不会自动排序

se=pd.Series([5,1,4,1,2,2])

se.unique()

array([5, 1, 4, 2], dtype=int64)

value_counts()函数，返回各个不同的元素，并计算每个元素在Series中出现的次数，运行的结果左边是元素，右边是元素出现的次数

se.value_counts()

1
2
2
2
4
1
5
1
dtype: int64

(2)判断元素是否存在

isin()函数可以判断给定的一列元素是否包含在Series数据结构中，在则返回True，不在则返回False，此函数可筛选Series或DataFrame列中的数据

se.isin([0,2])

0
False
1
False
2
False
3
False
4
True
5
True
dtype: bool

最后

以上就是懵懂黑夜为你收集整理的【Python数据分析基础笔记（仅供本人学习记录）】P1.Series对象及常用操作7.1 pandas的导入方法：7.2pandas的数据结构的全部内容，希望文章能够帮你解决【Python数据分析基础笔记（仅供本人学习记录）】P1.Series对象及常用操作7.1 pandas的导入方法：7.2pandas的数据结构所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。