Python数据分析：pandas Series入门与实战

“学习笔记|《从零开始学python数据分析》|第3章pandas入门和实战1” 在Python数据分析领域，pandas库是至关重要的工具，它提供了两种核心数据结构：Series和DataFrame。本章主要介绍了如何入门pandas并进行实战操作。 首先，让我们深入理解Series数据结构。Series可以看作是一维的、带标签的数组，它的内部存储的数据类型可以是Numpy支持的各种类型。创建Series时，你可以提供一个列表，这个列表的元素将作为Series的值，而列表的索引默认是从0开始的整数序列。例如： ```python obj = Series([1, -2, 3, -4]) ``` 这里的`obj`就创建了一个Series，其中包含了四个数值，索引分别为0, 1, 2, 3。 Series的索引特性使得我们可以直接通过索引来访问数据，这与一维数组不同。例如，我们可以通过索引`'b'`来获取值`-2`： ```python obj2 = Series([1, -2, 3, -4], index=['a', 'b', 'c', 'd']) obj2['b'] # 返回-2 ``` Series不仅可以通过索引访问，还具备了values和index属性。values返回的是不包含索引的数值数组，而index返回的是索引对象。例如： ```python obj2.values # 返回array([1, -2, 3, -4]) obj2.index # 返回Index(['a', 'b', 'c', 'd'], dtype='object') ``` Series的运算操作会保留索引与值之间的对应关系，这意味着当两个Series进行运算时，它们会按照相同的索引来对齐数据。例如： ```python obj2 * 2 # 将每个元素乘以2 ``` Series还可以通过字典方式创建，但要注意字典是无序的，所以生成的Series也是无序的。尽管如此，我们仍能通过index来控制索引的顺序： ```python obj2 = Series({'a': 1, 'b': -2, 'c': 3, 'd': -4}) ``` 此外，Series对象和索引都有name属性，允许我们给Series赋予名称，提高代码的可读性。例如： ```python obj2.name = 'numbers' ``` 在实战中，我们经常需要根据条件筛选数据，如查找小于0的值： ```python obj2[obj2 < 0] # 返回所有小于0的值 ``` 通过对Series的这些基本操作，我们可以开始处理更复杂的数据分析任务。DataFrame是pandas的另一个关键数据结构，它将在后续章节中详细介绍。通过掌握Series和DataFrame，你将能够有效地进行数据清洗、处理和分析。