預告：後邊一段時間，我會分享一系列關于Python數據分析的内容，為大家展示一個數據分析師需要掌握什麼知識，具備什麼樣的技能，感興趣的可以先關注下。

要使用強大的Python數據分析模塊pandas，我們首先要熟悉它的兩個主要的數據結構：Series（序列）和DataFrame（數據框），或許它們無法解決所有的問題，但它們為大多數應用提供了一種可靠的、易于使用的基礎。

1.生成Series（序列）

Series是一種類似于一維數組的對象，它由一組數據以及一組與之相關的數據标簽組成。

僅由一組數據即可産生最簡單的Series，其字符串表現形式為：索引在左邊，值在右邊。

如果我們沒有為數據指定索引，那麼它會自動創建一個0到N-1（N為數據的長度）的整數型索引。

我們可以通過Series的values和index屬性獲取其數組表示形式和索引對象：

2.通常，我們希望所創建的Series帶有以各可以對各個數據點進行标記的索引：

可以看到，與普通NumPy數組相比，我們可以通過索引的方式選取Series中的單個或一組值，甚至可以進行賦值操作。

3.對Series進行NumPy數組運算（如根據布爾型數組進行過濾、标量乘法、應用數學函數等）時都會保留索引和值之間的鍊接。

4.還可以将Series看成是一個定長的有序字典，因為它是索引值到數據值的一個映射，它可以用在許多原本需要字典參數的函數中。如果數據被存放在一個Python字典中，也可以通過這個字典來創建Series。

可以看到，如果隻傳入一個字典，則結果Series中的索引就是原字典的鍵（有序排列）。

我們還可以同時傳入一個字典和一個索引列表（元組和數組也可以，如下圖所示），如下圖的例子，sdata中跟states索引相匹配的值會被找出來，并按照順序放到相應的位置。

但由于‘California’所對應的sdata值找不到，所以其結果為NaN（not a number，非數字，在pandas中，用于表示缺失或NA值）。pandas中的isnull()和notnull()函數可用于檢測缺失數據。同時，Series也有類似的實例方法（對于pd.isnull(obj4)我們稱之為對實例obj4應用函數pd.isnull()，對于obj4.isnull()我們一般稱之為實例obj4的方法isnull()）：

對缺失數據的處理，永遠是數據分析和數據挖掘過程中的重要一環，我們将會在後續的内容中詳細讨論。

5.對于許多應用而言，Series最重要的功能是：它在算數運算中會自動對齊不同索引的數據。關于數據對齊的内容我們也會在後續單獨講解。

6.Series對象本身及其索引都有一個name屬性，該屬性跟pandas其他的關鍵功能關系非常密切。Series的索引可以通過賦值的方式就地修改。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部