Python Series

1、创建并显示包含数据数组的一维数组类对象

import pandas as pd
ds = pd.Series([2, 4, 6, 8, 10])
print(ds)
'''
0     2
1     4
2     6
3     8
4    10
dtype: int64
'''

2、将pandas系列转换为Python列表类型

# 创建一个pandas类
import pandas as pd
ds = pd.Series([2, 4, 6, 8, 10])
print("Pandas Series and type")
print(ds)
print(type(ds))
'''
Pandas Series and type
0     2
1     4
2     6
3     8
4    10
dtype: int64
<class 'pandas.core.series.Series'>
'''

将series变成list类型，下面两种得到的结果都相同：

方法1：X.tolist()

方法2：list(X)

#方法一
print(ds.tolist())
print(type(ds.tolist()))
#方法二
print(list(ds))
print(type(list(ds)))
'''
[2, 4, 6, 8, 10]
<class 'list'>
'''

3、添加、减去、多重和划分两个pandas系列

编写一个熊猫程序来添加，减去，多重和除以两个熊猫系列。

import pandas as pd
ds1 = pd.Series([2, 4, 6])
ds2 = pd.Series([1, 3, 5])
ds = ds1 + ds2
print("Add two Series:")
print(ds)
print("Subtract two Series:")
ds = ds1 - ds2
print(ds)
print("Multiply two Series:")
ds = ds1 * ds2
print(ds)
print("Divide Series1 by Series2:")
ds = ds1 / ds2
print(ds)
'''
Add two Series:
0     3
1     7
2    11
dtype: int64
Subtract two Series:
0    1
1    1
2    1
dtype: int64
Multiply two Series:
0     2
1    12
2    30
dtype: int64
Divide Series1 by Series2:
0    2.000000
1    1.333333
2    1.200000
dtype: float64
'''

这里如果两个series的元素个数不一致的话，仍然可以进行加减乘除，不会报错，并且缺少的部分会使用NaN进行填充：

import pandas as pd
ds1 = pd.Series([2, 4, 6])
ds2 = pd.Series([1, 3])
ds = ds1 + ds2
print("Add two Series:")
print(ds)
print("Subtract two Series:")
ds = ds1 - ds2
print(ds)
print("Multiply two Series:")
ds = ds1 * ds2
print(ds)
print("Divide Series1 by Series2:")
ds = ds1 / ds2
print(ds)
'''
Add two Series:
0    3.0
1    7.0
2    NaN
dtype: float64
Subtract two Series:
0    1.0
1    1.0
2    NaN
dtype: float64
Multiply two Series:
0     2.0
1    12.0
2     NaN
dtype: float64
Divide Series1 by Series2:
0    2.000000
1    1.333333
2         NaN
dtype: float64
'''

4、比较两个series系列的元素

编写一个熊猫程序来比较两个熊猫系列的元素。

import pandas as pd
ds1 = pd.Series([2, 4, 6])
ds2 = pd.Series([1, 7, 6])
print("Series1:")
print(ds1)
print("Series2:")
print(ds2)
print("Compare the elements of the said Series:")
print("Equals:")
print(ds1 == ds2)
print("Greater than:")
print(ds1 > ds2)
print("Less than:")
print(ds1 < ds2)
'''
Series1:
0    2
1    4
2    6
dtype: int64
Series2:
0    1
1    7
2    6
dtype: int64
Compare the elements of the said Series:
Equals:
0    False
1    False
2     True
dtype: bool
Greater than:
0     True
1    False
2    False
dtype: bool
Less than:
0    False
1     True
2    False
dtype: bool
'''

5、将字典转换为series系列

编写一个程序，将字典转换为熊猫系列。

示例字典： d1 = {‘a’： 100， ‘b’： 200， ‘c’：300， ‘d’：400， ‘e’：800}

使用pd.Series(d1)：会将字典的键变成index，值对应值

import pandas as pd
d1 = {'a': 100, 'b': 200, 'c':300, 'd':400, 'e':800}
print("Original dictionary:")
print(d1)
new_series = pd.Series(d1)
print("Converted series:")
print(new_series)
'''
Original dictionary:
{'a': 100, 'b': 200, 'c': 300, 'd': 400, 'e': 800}
Converted series:
a    100
b    200
c    300
d    400
e    800
dtype: int64
'''

6、将 NumPy 数组转换为series系列

编写一个熊猫程序，将NumPy数组转换为熊猫系列。

示例 NumPy 数组：d1 = [10， 20， 30， 40， 50]

import numpy as np
import pandas as pd
np_array = np.array([10, 20, 30, 40, 50])
print("NumPy array:")
print(np_array)
new_series = pd.Series(np_array)
print("Converted Pandas series:")
print(new_series)
'''
NumPy array:
[10 20 30 40 50]
Converted Pandas series:
0    10
1    20
2    30
3    40
4    50
dtype: int32
'''

7、更改给定列或系列的数据类型为数值型

编写 Pandas 程序来更改给定列或系列的数据类型。

示例系列：

原始数据系列：

0 100

1 200

2 python

3 300.12

4 400

dtype： object

将所述数据类型更改为数字：

0 100.00

1 200.00

2 NaN

3 300.12

4 400.00

dtype： float64

import pandas as pd
s1 = pd.Series(['100', '200', 'python', '300.12', '400'])
print("Original Data Series:")
print(s1)
print("Change the said data type to numeric:")
s2 = pd.to_numeric(s1, errors='coerce')
print(s2)
'''
Original Data Series:
0       100
1       200
2    python
3    300.12
4       400
dtype: object
Change the said data type to numeric:
0    100.00
1    200.00
2       NaN
3    300.12
4    400.00
dtype: float64
'''

to_numeric

这里使用了to_numeric()函数

【1】to_numeric()函数不能直接操作DataFrame对象

【2】to_numeric()函数较之astype()方法的优势在于解决了后者的局限性：只要待转换的数据中存在数字以外的字符，在使用后者进行类型转换时就会出现错误，而to_numeric()函数之所以可以解决这个问题，就源于其errors参数可以取值coerce——当出现非数字字符时，会将其替换为缺失值之后进行数据类型转换。

【3】参数

1、arg：表示要转换的数据，可以是list、tuple、Series

2、errors：错误采用的处理方式可以取值除raise、ignore外，还可以取值coerce，默认为raise。其中raise表示允许引发异常，ignore表示抑制异常，如果使用coerce，那么非数字元素就会被转化成NaN

8、将数据帧的第一列转换为series

编写一个 Pandas 程序，将数据帧的第一列转换为序列。

方法：直接使用切片iloc将数据取出，得到的结果就是series

import pandas as pd
d = {'col1': [1, 2, 3, 4, 7, 11], 'col2': [4, 5, 6, 9, 5, 0], 'col3': [7, 5, 8, 12, 1,11]}
df = pd.DataFrame(data=d)
print("Original DataFrame")
print(df)
s1 = df.iloc[:,0] # 取全部数据的第0列
print("\n1st column as a Series:")
print(s1)
print(type(s1))
'''
Original DataFrame
   col1  col2  col3
0     1     4     7
1     2     5     5
2     3     6     8
3     4     9    12
4     7     5     1
5    11     0    11
1st column as a Series:
0     1
1     2
2     3
3     4
4     7
5    11
Name: col1, dtype: int64
<class 'pandas.core.series.Series'>
'''

9、将给定series转换为数组

编写一个 Pandas 程序，将给定的系列转换为数组。

import pandas as pd
import numpy as np
s1 = pd.Series(['100', '200', 'python', '300.12', '400'])
print("Original Data Series:")
print(s1)
print("Series to an array")
a = np.array(s1)
print (a)
'''
Original Data Series:
0       100
1       200
2    python
3    300.12
4       400
dtype: object
Series to an array
['100' '200' 'python' '300.12' '400']
'''

10、将series列表转换为一个series

import pandas as pd
s = pd.Series([
    ['Red', 'Green', 'White'],
    ['Red', 'Black'],
    ['Yellow']])
print("Original Series of list")
print(s)
s = s.apply(pd.Series).stack() # .reset_index(drop=True)
print("删除原索引前：")
print(s)
s = s.apply(pd.Series).stack().reset_index(drop=True)
print("删除原索引后：")
print(s)
'''
Original Series of list
0    [Red, Green, White]
1           [Red, Black]
2               [Yellow]
dtype: object
删除原索引前
0  0       Red
   1     Green
   2     White
1  0       Red
   1     Black
2  0    Yellow
dtype: object
删除原索引后
0       Red
1     Green
2     White
3       Red
4     Black
5    Yellow
dtype: object
'''

【1】np.stack()：对多个数组进行堆叠

【2】reset_index(drop=True)：重新设置索引，并将原索引进行删除

11、对给定series进行排序

使用函数sort_values()

import pandas as pd
s = pd.Series(['100', '200', 'python', '300.12', '400'])
print("Original Data Series:")
print(s)
new_s = s.sort_values()
print(new_s)
'''
Original Data Series:
0       100
1       200
2    python
3    300.12
4       400
dtype: object
0       100
1       200
3    300.12
4       400
2    python
dtype: object
'''

12、向现有series添加一些数据

编写一个 Pandas 程序以将一些数据添加到现有series中。

import pandas as pd
s = pd.Series(['100', '200', 'python', '300.12', '400'])
print("Original Data Series:")
print(s)
print("\nData Series after adding some data:")
new_s = s.append(pd.Series(['500', 'php'])) 
print(new_s)
'''
Original Data Series:
0       100
1       200
2    python
3    300.12
4       400
dtype: object
Data Series after adding some data:
0       100
1       200
2    python
3    300.12
4       400
0       500
1       php
dtype: object
'''

【1】这里需要先将列表变成series，然后再使用append函数，否则直接用list会报错

【2】注意到index没有重新开始编号，而是在4之后直接继续使index从0开始

【3】如果想让index重新开始编号，则使用reset_index

a=new_s.reset_index(drop=True)
print(a)
'''
0       100
1       200
2    python
3    300.12
4       400
5       500
6       php
dtype: object
'''

13、根据值和条件创建给定series的子集

import pandas as pd
s = pd.Series([0, 1,2,3,4,5])
print("Original Data Series:")
print(s)
print("\nSubset of the above Data Series:")
new_s = s[s < 3]
print(new_s)
'''
Original Data Series:
0    0
1    1
2    2
3    3
4    4
5    5
dtype: int64
Subset of the above Data Series:
0    0
1    1
2    2
dtype: int64
'''

14、更改给定series的索引顺序

编写一个 Pandas 程序来更改给定series的索引顺序。

import pandas as pd
s = pd.Series(data = [1,2,3,4,5], index = ['A', 'B', 'C','D','E'])
print("Original Data Series:")
print(s)
s = s.reindex(['B','A','C','D','E'])
print("Data Series after changing the order of index:")
print(s)
'''
Original Data Series:
A    1
B    2
C    3
D    4
E    5
dtype: int64
Data Series after changing the order of index:
B    2
A    1
C    3
D    4
E    5
dtype: int64
'''

【1】reindex()是pandas对象的一个重要方法，其作用是创建一个新索引的新对象。

15、创建给定series的平均值和标准差

import pandas as pd
s = pd.Series(data = [1,2,3,4,5])
print("Original Data Series:")
print(s)
print("均值:")
print(s.mean())
print("标准差:")
print(s.std())
'''
Original Data Series:
0    1
1    2
2    3
3    4
4    5
dtype: int64
均值:
3.0
标准差:
1.5811388300841898
'''

16、计算给定series中每个唯一值的频率计数

编写一个 Pandas 程序来计算给定series的每个唯一值的频率计数。

import pandas as pd
import numpy as np
num_series = pd.Series(np.take(list('0123456789'), np.random.randint(10, size=20)))
print("Original Series:")
print(num_series)
print("Frequency of each unique value of the said series.")
result = num_series.value_counts()
print(result)
'''
Original Series:
0     2
1     9
2     1
3     3
4     5
5     0
6     7
7     1
8     5
9     3
10    4
11    3
12    1
13    4
14    9
15    1
16    8
17    9
18    9
19    4
dtype: object
Frequency of each unique value of the said series.
9    4
1    4
3    3
4    3
5    2
2    1
0    1
7    1
8    1
dtype: int64
'''

【1】np.take：检索a对应的行，并返回索引行的值。具体用法，请看》》np.take

【2】value_counts() ：返回一个序列 Series，该序列包含每个值的数量。也就是说，对于数据框中的任何列，value-counts () 方法会返回该列每个项的计数。

【3】这题也不是非要使用np.take，使用下面这段代码也是能够得出相同的结果的

import pandas as pd
import numpy as np
num_series = pd.Series(np.random.randint(10, size=20),list('0123456789')*2)
print("Original Series:")
print(num_series)
print("Frequency of each unique value of the said series.")
result = num_series.value_counts()
print(result)
'''
Original Series:
0    1
1    9
2    1
3    0
4    7
5    9
6    2
7    0
8    8
9    8
0    2
1    2
2    2
3    5
4    6
5    6
6    9
7    4
8    6
9    6
dtype: int32
Frequency of each unique value of the said series.
2    4
6    4
9    3
1    2
0    2
8    2
7    1
5    1
4    1
dtype: int64
'''

17、将单词的第一个和最后一个字符转为大写

将每个单词的第一个和最后一个字符转换为大写

关键：使用map和匿名函数，map的作用是将匿名函数作用于series当中的每个单词上面，而匿名函数则使用切片的方式，加好可以直接连接字符串

import pandas as pd
series1 = pd.Series(['php', 'python', 'java', 'c#'])
print("Original Series:")
print(series1)
result = series1.map(lambda x: x[0].upper() + x[1:-1] + x[-1].upper())
print("\nFirst and last character of each word to upper case:")
print(result)

18、计算给定系列中每个单词的字符数

分析：和上面那题差不多，len可以求每个单词的长度（字符数）

import pandas as pd
series1 = pd.Series(['Php', 'Python', 'Java', 'C#'])
print("Original Series:")
print(series1)
result = series1.map(lambda x: len(x))
print("\nNumber of characters in each word in the said series:")
print(result)

19、将一系列日期字符串转换为时间序列

关键：pd.to_datetime(date_series)

import pandas as pd
date_series = pd.Series(['01 Jan 2015', '10-02-2016', '20180307', '2014/05/06', '2016-04-12', '2019-04-06T11:20'])
print("Original Series:")
print(date_series)
print("\nSeries of date strings to a timeseries:")
print(pd.to_datetime(date_series))

20、垂直和水平堆叠两个给定系列

编写一个Pandas程序，在垂直和水平方向上堆叠两个给定的系列。

import pandas as pd
series1 = pd.Series(range(10))
series2 = pd.Series(list('pqrstuvwxy'))
print("原始的两个列表")
print(series1)
print("\n")
print(series2)
series1.append(series2)
print("\n")
print(series1.append(series2))
df=pd.concat([series1, series2], axis=1)
print("\n")
print(df)
df=pd.concat([series1, series2], axis=0)
print("\n")
print(df)

注意到index是直接拼接，没有改变

如果上面的axis=1改成axis=0，则和append是一样的

Python刷题系列(9)_Pandas_Series