Pandas庫之Series使用介紹
Pandas庫
pandas 是基於NumPy 的資料分析包，Pandas 的常用資料結構是 Series（一維資料）與 DataFrame（二維資料）
import pandas as pd
Pandas庫之series
Series是帶標籤的一維陣列，可儲存整數、浮點數、字串、Python物件型別的資料。軸標籤統稱為
索引
。
建立Series
Series屬性
增刪改
切片
索引
布林索引
修改index
資料型別轉換
資料結構轉換
統計函式
計數函式
排序
檢視資料缺失
資料填充
資料重複
逐元素操作
繪圖舉例
建立Series
呼叫
pd。Series
函式即可建立Series：
s
=
pd
。
Series
（
data
，
index
=
index
）
data支援三種資料結構
1。 字典
x
=
pd
。
Series
（{
‘a’
：
1
，
‘b’
：
2
}）
x
a
1
b
2
2。 列表
pd。Series（［1，2，3］，index=［‘a’，‘b’，‘c’］）
a 1
b 2
c 3
3。 標量
pd。Series（1）
0 1
Series屬性
Series的value值是numpy中的陣列型別
x
=
pd
。
Series
（［
1
，
2
，
3
］）
x
。
dtype
dtype
（
‘int64’
）
x
。
index
#index預設從0開始
RangeIndex
（
strat
=
0
，
stop
=
3
，
step
=
1
）
x
。
values
array
（［
1
，
2
，
3
］，
dtype
=
int64
）
x
。
size
3
pd
。
Series
（［
1
，
2
，
3
］）
。
shape
（
3
，）
增刪改
x
=
pd
。
Series
（［
1
，
2
，
3
］）
x
0
1
1
2
2
3
dtype
：
int64
增加元素
x
［
3
］
=
4
x
0
1
1
2
2
3
3
4
dtype
：
int64
2。 刪除元素
x
。
drop
（
2
）
#不改變原來的x，需要賦值
0
1
1
2
3
4
dtype
：
int64
3。 修改元素
x
［
0
］
=
5
x
0
5
1
2
2
3
3
4
dtype
：
int64
切片
Series切片是對index進行切片，然後選出對應的值
x
=
pd
。
Series
（
range
（
1
，
6
））
x
0
1
1
2
2
3
3
4
4
5
dtype
：
int64
x
［
2
：
4
］
2
3
3
4
dtype
：
int64
2。 當index是字串時，切片時包含右端點
x
=
pd
。
Series
（［
1
，
2
，
3
，
4
］，
index
=
［
‘b’
，
‘d’
，
‘c’
，
‘a’
］）
x
［
‘d’
：
‘a’
］
d
2
c
3
a
4
dtype
：
int64
索引
x
=
pd
。
Series
（［
1
，
2
，
3
，
4
，
5
］，
index
=
［
‘b’
，
‘d’
，
‘c’
，
‘a’
，
‘e’
］）
x
b
1
d
2
c
3
a
4
e
5
dtype
：
int64
x
［［
‘a’
，
‘c’
］］
a
4
c
3
dtype
：
int64
布林索引
x
=
pd
。
Series
（［
1
，
2
，
3
，
np
。
NaN
，
5
］，
index
=
［
‘b’
，
‘d’
，
‘c’
，
‘a’
，
‘e’
］）
x
b
1。0
d
2。0
c
3。0
a
NaN
e
5。0
dtype
：
float64
（
x
>
2
）
#x>2 對於值來說
b
False
d
False
c
True
a
False
e
True
dtype
：
bool
x
［
x
>
2
］
#按值索引
c
3。0
e
5。0
dtype
：
float64
修改index
x
=
pd
。
Series
（［
i
for
i
in
range
（
3
）］，
index
=
［
‘a’
，
‘b’
，
‘c’
］）
（
x
）
a
0
b
1
c
2
dtype
：
int64
x
。
index
=
［
‘c’
，
‘d’
，
‘e’
］
（
x
）
c
0
d
1
e
2
dtype
：
int64
x
=
x
。
reset_index
（
drop
=
True
）
#drop=True刪除原有索印列
（
x
）
0
0
1
1
2
2
dtype
：
int64
資料型別轉換
astype
x
=
pd
。
Series
（［
1
，
2
，
3
］）
（
x
）
0
1
1
2
2
3
dtype
：
int64
x
=
x
。
astype
（
np
。
float
）
（
x
）
0
1。0
1
2。0
2
3。0
dtype
：
float64
資料結構轉換
Series->ndarray/list/dict/frame
x
=
pd
。
Series
（［
1
，
2
，
3
］）
（
x
。
values
）
［
1
2
3
］
（
x
。
to_numpy
（））
［
1
2
3
］
（
x
。
to_list
（））
［
1
，
2
，
3
］
（
x
。
to_dict
（））
{
0
：
1
，
1
：
2
，
2
：
3
}
（
x
。
to_frame
（））
0
0
1
1
2
2
3
統計函式
x
=
pd
。
Series
（［
1
，
2
，
2
，
3
，
3
，
4
］）
（
x
。
mode
（））
#出現次數最多的值，可以是多個值，返回值為Series型別
0
2
1
3
dtype
：
int64
（
x
。
max
（））
4
（
x
。
mean
（））
2。5
（
x
。
median
（））
1。5
（
x
。
std
（））
1。0488088481701516
計數函式
x
=
pd
。
Series
（［
1
，
2
，
2
，
3
，
3
，
4
］）
（
x
。
count
（））
#統計非空元素個數
6
（
x
。
value_counts
（））
#統計每個元素個數，預設降序排列，ascending=True則升序排列
3
2
2
2
4
1
1
1
dtype
：
int64
排序
x
=
pd
。
Series
（［
1
，
2
，
3
，
4
］，
index
=
［
‘b’
，
‘a’
，
‘c’
，
‘c’
］）
（
x
）
b
1
a
2
c
3
c
4
dtype
：
int64
（
x
。
sort_index
（
ascending
=
False
））
c
3
c
4
b
1
a
2
dtype
：
int64
（
x
。
sort_values
（））
b
1
a
2
c
3
c
4
dtype
：
int64
檢視資料缺失
x
=
pd
。
Series
（［
1
，
2
，
np
。
NaN
，
3
］）
（
x
［
x
。
isnull
（）］）
2
NaN
dtype
：
float64
缺失填充
method=‘None’
用一個指定值去填充缺失值（預設預設這種方式）
x
=
pd
。
Series
（［
1
，
2
，
np
。
NaN
，
3
］）
（
x
。
fillna
（
9
））
0
1。0
1
2。0
2
9。0
3
3。0
dtype
：
float64
2。
method=pad/ffill
用
前一個
非缺失值去填充該缺失值
（
x
。
fillna
（
method
=
‘ffill’
））
0
1。0
1
2。0
2
2。0
3
3。0
dtype
：
float64
3。
method=backfill/bfill
用
下一個
非缺失值填充該缺失值
（
x
。
fillna
（
method
=
‘backfill’
））
0
1。0
1
2。0
2
3。0
3
3。0
dtype
：
float64
資料重複
x
=
pd
。
Series
（［
1
，
2
，
2
，
3
，
3
，
4
］）
（
x
。
unique
（））
［
1
2
3
4
］
（
x
［
x
。
duplicated
（）］）
2
2
4
3
dtype
：
int64
（
x
［
~
x
。
duplicated
（）］）
0
1
1
2
3
3
5
4
dtype
：
int64
（
x
。
drop_duplicates
（
keep
=
False
，
inplace
=
False
））
#keep=‘first’表示保留第一次出現的重複行，是預設值。
#“last”和False，分別表示保留最後一次出現的重複行和去除所有重複行。
#inplace=True表示直接在原來的DataFrame上刪除重複項，而預設值False表示生成一個副本
0
1
5
4
dtype
：
int64
逐元素操作
apply（func，convert_dtype=True，args=（），**kwds）
x
=
pd
。
Series
（［
1
，
2
，
3
］）
def
num_nap
（
x
，
bias
）：
return
x
+
bias
（
x
。
apply
（
num_nap
，
args
=
（
3
，）））
0
4
1
5
2
6
dtype
：
int64
繪圖舉例
Pandas可呼叫matplotlib繪圖，相比matplotlib，pandas繪圖簡單快捷，不需要很多引數，從而可以專注於資料分析
import
pandas
as
pd
import
numpy
as
np
from
matplotlib
import
pyplot
as
plt
x
=
pd
。
Series
（［
1
，
1
，
2
，
2
，
4
］）
counts
=
x
。
value_counts
（）
（
counts
）
counts
。
plot
。
bar
（）
plt
。
show
（）
2
2
1
2
4
1
dtype
：
int64
