Skip to content
Pandas
Series 对象

Series 对象

import pandas as pd
import numpy as np

Series 是一个带标签的一维数组，能够保存任何数据类型（整数、字符串、浮点数、Python 对象等）。轴 axis 标签统称为索引 index。

创建 Series 对象

创建 Serires 对象需要提供 data 和 index 两个参数。其中 index 是需要传入的索引，即轴标签列表。因此，根据数据类型可以分为如下几种情况：

ndarray

如果 data 是 ndarray，则 index 必须与 data 的长度相同。

pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
a   -0.247457
b    0.127203
c    0.048504
d   -1.802860
e   -1.480528
dtype: float64

如果没有传递索引，则将创建一个具有值 [0, ..., len(data) - 1] 的索引。

pd.Series(np.random.randn(5))
0   -0.218089
1   -1.875552
2   -0.351250
3    2.237674
4    0.794604
dtype: float64

dict 

pd.Series({'b': 1, 'a': 0, 'c': 2})
b    1
a    0
c    2
dtype: int64

标量值

如果数据是标量值，则必须提供索引。该值将重复以匹配索引的长度。

pd.Series(5.0, index=['a', 'b', 'c', 'd', 'e'])
a    5.0
b    5.0
c    5.0
d    5.0
e    5.0
dtype: float64

Series 类似 ndarray

Series 的行为与 ndarray 非常相似，并且是大多数 NumPy 函数的有效参数。

索引和切片

注意：切片等操作也会对索引进行切片。

s = pd.Series(np.random.randn(5), index=["a", "b", "c", "d", "e"])
s
a    1.234485
b   -0.893518
c    0.400802
d   -1.328360
e   -1.023169
dtype: float64

s[0]
C:\Users\Fourier\AppData\Local\Temp\ipykernel_17908\243613605.py:1: FutureWarning: Series.__getitem__ treating keys as positions is deprecated. In a future version, integer keys will always be treated as labels (consistent with DataFrame behavior). To access a value by position, use `ser.iloc[pos]`
  s[0]





1.2344849322112634

s[:3]
a    1.234485
b   -0.893518
c    0.400802
dtype: float64

矩阵索引 

s[s > s.median()]
a    1.234485
c    0.400802
dtype: float64

数学运算 

np.exp(s)
a    3.436608
b    0.409214
c    1.493022
d    0.264911
e    0.359454
dtype: float64

ndarry 属性 

s.array
<NumpyExtensionArray>
[ 1.2344849322112634, -0.8935181616923943, 0.40080196379724387,
 -1.3283596009432421,  -1.023169455667722]
Length: 5, dtype: float64

s.dtype
dtype('float64')

强制类型转换 

s.to_numpy()
array([ 1.23448493, -0.89351816,  0.40080196, -1.3283596 , -1.02316946])

Series 类似 dict

Series 就像一个固定大小的 dict，可以通过索引标签获取和设置值：

s['a']
1.2344849322112634

s['e'] = 12.0
s
a     1.234485
b    -0.893518
c     0.400802
d    -1.328360
e    12.000000
dtype: float64

'e' in s, 'f' in s
(True, False)

如果未包含标签，会抛出异常：

try:
    s['f']
except KeyError:
    print('KeyError')
KeyError

使用 get 方法，缺少的标签将返回 None 或指定的默认值：

s.get('f')
s.get('f', np.nan)
nan

向量化操作和标签对齐

使用原始 NumPy 数组时，通常不需要逐个值循环。在 pandas 中使用 Series 时也是如此。Series 也可以传递给大多数需要 ndarray 的 NumPy 方法。

s + s
a     2.468970
b    -1.787036
c     0.801604
d    -2.656719
e    24.000000
dtype: float64

s * 2
a     2.468970
b    -1.787036
c     0.801604
d    -2.656719
e    24.000000
dtype: float64

Series 和 ndarray 之间的一个关键区别是 Series 之间的操作会根据标签自动对齐数据。因此，您可以编写计算而不考虑所涉及的系列是否具有相同的标签。

s[1:] + s[:-1]
a         NaN
b   -1.787036
c    0.801604
d   -2.656719
e         NaN
dtype: float64

未对齐系列之间的操作结果将包含所涉及的索引的并集。如果在一个系列或另一个系列中找不到标签，则结果将被标记为缺失 NaN。

name 属性 

s = pd.Series(np.random.randn(5), name="something")
s
0    0.715769
1   -0.089104
2    1.187363
3   -1.413279
4    0.272194
Name: something, dtype: float64

s.name
'something'

在许多情况下，Series 名称将自动分配，特别是在获取 DataFrame 的一维切片时。详见 DataFrame 章节。

new_s = s.rename('different')
new_s.name
'different'

请注意，s 和 new_s 指的是不同的对象。

Last updated on
Dataframe 对象