【Python进阶（六）】——随机数与数组，建议收藏！
该篇文章主要讲解了Python数据结构之Series，首先阐述了该数据结构的特点，然后利用Python展示了其定义方法和操作方法。
1 Series的主要特点
在Python的pandas库中，Series是一个一维的数组型对象，它能够保存任何数据类型（整数、字符串、浮点数、Python对象等），它带有一个轴标签（即索引），使得数据操作变得非常简单和直观。以下是Series的一些主要特点：
- 带有标签的一维数组：
Series对象类似于NumPy的一维数组（ndarray），但是每个元素都有一个与之相关联的索引标签。
- 索引：
Series的索引可以是任何数据类型（整数、字符串、日期时间等），这使得Series非常适合用于时间序列数据。- 索引是自动生成的，通常是0到N-1的整数，除非明确指定了其他索引。
- 数据类型：
Series可以保存任何数据类型，包括整数、浮点数、字符串、布尔值等。- 如果
Series中的数据类型不一致，它会自动转换为最通用的数据类型（例如，将整数转换为浮点数以包含小数）。
- 数据操作：
- 提供了许多用于数据分析和处理的方法，如算术运算、排序、筛选、分组等。
- 可以使用索引或条件表达式来访问或修改
Series中的元素。
- 与DataFrame的兼容性：
Series是pandas中更复杂的二维数据结构DataFrame的基础。- 可以将多个
Series组合成一个DataFrame，或将DataFrame的列视为单独的Series对象进行处理。
- 内存效率：
- 与纯Python列表相比，
Series对象在内存使用上更加高效，因为它们使用了NumPy的底层数组结构。
- 缺失数据处理：
Series支持缺失数据（NaN），这使得它非常适合处理现实世界中的数据集，其中可能包含缺失或无效的值。- 提供了多种方法来处理缺失数据，如填充、删除或插值。
- 绘图集成：
Series对象与Matplotlib等绘图库无缝集成，可以轻松创建各种数据可视化图表。
- 与NumPy的兼容性：
Series的底层实现基于NumPy的数组，因此它继承了NumPy的许多功能和性能优势。
- 扩展性：
- 可以使用自定义的函数和方法来扩展
Series的功能，以满足特定的数据分析需求。
2 Series的定义方法
运行程序：
import pandas as pd mySeries1=pd.Series(data = [11,12,13,14,15,16,17],index=["a","b","c","d","e","f","g"]) mySeries1
运行结果：
a 11 b 12 c 13 d 14 e 15 f 16 g 17 dtype: int64
PS :
1.pd.Series([11,12,13,14,15,16,17], index=[a,b,c,d,e,f,g]) #index为字符串时，需要双引号或单引号；
2.当data只包含一个元素时，series对象的定义支持“循环补齐”；
3.当series值多与一个时，值数和索引数需一致。
3 Series的操作方法
运行程序：
import pandas as pd mySeries4=pd.Series([21,22,23,24,25,26,27], index=["a","b","c","d","e","f","g"]) mySeries4.index#显示索引 mySeries4.values #显示值 mySeries4['b']#索引b所对应值 mySeries4["b"] #索引b所对应值 mySeries4[["a","b","c"]] #索引a、b、b所对应值 mySeries4["a":"d"] #索引a-d所对应值 mySeries4[1:4:2]#第2个-第5个，步长为2 mySeries4 "c" in mySeries4 #判断索引c是否在series中 "h" in mySeries4#判断索引h是否在series中 import pandas as pd mySeries4=pd.Series([21,22,23,24,25,26,27], index=["a","b","c","d","e","f","g"]) mySeries5=mySeries4.reindex(index=["b","c","a","d","e","g","f"]) #修改索引 mySeries5 mySeries5=mySeries4.reindex(index=["b","c","a","d","e","g","f"]) #修改索引 mySeries4 mySeries5=mySeries4.reindex(index=["new1","c","a","new2","e","g","new3"])#更新索引次序，不存在则为nan mySeries5 mySeries4
运行结果：
array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]]) array([[1., 1., 1., 1., 1.], [1., 1., 1., 1., 1.], [1., 1., 1., 1., 1.]]) array([[1., 1., 1., 1., 1.], [1., 1., 1., 1., 1.], [1., 1., 1., 1., 1.]])Index(['a', 'b', 'c', 'd', 'e', 'f', 'g'], dtype='object') array([21, 22, 23, 24, 25, 26, 27], dtype=int64) 22 22 a 21 b 22 c 23 dtype: int64 a 21 b 22 c 23 d 24 dtype: int64 b 22 d 24 dtype: int64 a 21 b 22 c 23 d 24 e 25 f 26 g 27 dtype: int64 True False b 22 c 23 a 21 d 24 e 25 g 27 f 26 dtype: int64 a 21 b 22 c 23 d 24 e 25 f 26 g 27 dtype: int64 new1 NaN c 23.0 a 21.0 new2 NaN e 25.0 g 27.0 new3 NaN dtype: float64 a 21 b 22 c 23 d 24 e 25 f 26 g 27 dtype: int64
