一起學習，一起成長！

Numpy是python及其重要的計算包，那麼numpy是如何進行運算的，接下裡小編将具體進行介紹：

1. Numpy數組運算

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）都會保留索引和值之間的鍊接：

如：

@ In [7]: obj2[obj2>0]

@ In [8]: obj2*2

@ In [10]: np.exp(obj2)

2.可使用部分字典參數的函數

Series可被看成是索引值到數據值的一個映射。

In [14]: 'b' in obj2

Out[14]: True

3.通過字典創建Series

In [15]: sdata={'ohio':35000,'Texas':70000}

In [16]: obj3=Series(sdata)

In [17]: obj3

Out[17]:

Texas 70000

ohio 35000

dtype: int64

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）。

In [17]: sdata={'ohio':35000,'Texas':70000}

In [18]: states=['california','ohino']

In [19]: obj4=Series(sdata,index=states)

In [20]: obj4

Out[20]:

california NaN

ohino NaN

dtype: float64

4.缺失數據表示及檢測

NaN（非數字）在pandas中，它用于表示缺失或NA值。使用缺失（missing）或NA表示缺失數據。pandas的isnull和notnull函數可用于檢測缺失數據。

• isnull

In [21]: pd.isnull(obj4) #或obj4.isnull()

Out[21]:

california True

ohino True

dtype: bool

• notnull

In [22]: pd.notnull(obj4) #或obj4.notnull()

Out[22]:

california False

ohino False

dtype: bool

5. Series自動對其不同索引的數據

對于許多應用而言，Series最重要的一個功能是：它在算數運算中會自動對齊不同索引的數據。

In [25]: obj3

Out[25]:

Texas 70000

ohio 35000

dtype: int64

In [26]: obj4

Out[26]:

california NaN

ohino NaN

dtype: float64

In [27]: obj3 obj4

Out[27]:

Texas NaN

california NaN

ohino NaN

ohio NaN

dtype: float64

數據對齊功能将在一個單獨的主題中講解。

6. name屬性

該屬性跟pandas其他的關鍵功能關系非常密切：

In [28]: obj4.name='pop'

In [29]: obj4.index.name='state'

In [30]: obj4

Out[30]:

state

california NaN

ohino NaN

Name: pop, dtype: float64

7.通過賦值就地修改索引

Series的索引可以通過賦值的方式就地修改：

In [31]: obj4.index=['bob','lie']

In [32]: obj4

Out[32]:

bob NaN

lie NaN

Name: pop, dtype: float64

「親，如果筆記對您有幫助，收藏的同時，記得給點個贊、加個關注哦！感謝！」

「文中代碼均親測過，若有錯誤之處，歡迎批評指正，一起學習，一起成長！」

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!