數據分析篇 | Pandas數據結構之Series
- 2019 年 12 月 11 日
- 筆記
以下文章來源於Python大咖談，作者吱吱不倦的呆鳥
- Series 類似多維數組
- Series 類似字典
- 矢量操作與對齊 Series 標籤
- 名稱屬性
本節介紹 Pandas 基礎數據結構，包括各類對象的數據類型、索引、軸標記、對齊等基礎操作。首先，導入 NumPy 和 Pandas：
In [1]: import numpy as np In [2]: import pandas as pd
「數據對齊是內在的」，這一原則是根本。除非顯式指定，Pandas 不會斷開標籤和數據之間的連接。
下文先簡單介紹數據結構，然後再分門別類介紹每種功能與方法。
Series
Series 是帶標籤的一維數組，可存儲整數、浮點數、字元串、Python 對象等類型的數據。軸標籤統稱為索引。調用 pd.Series 函數即可創建 Series：
>>> s = pd.Series(data, index=index)
上述程式碼中，data 支援以下數據類型：
- Python 字典
- 多維數組
- 標量值（如，5）
index 是軸標籤列表。不同數據可分為以下幾種情況：
多維數組
data 是多維數組時，index 長度必須與 data 長度一致。沒有指定 index 參數時，創建數值型索引，即 [0, ..., len(data) - 1]。
In [3]: s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e']) In [4]: s Out[4]: a 0.469112 b -0.282863 c -1.509059 d -1.135632 e 1.212112 dtype: float64 In [5]: s.index Out[5]: Index(['a', 'b', 'c', 'd', 'e'], dtype='object') In [6]: pd.Series(np.random.randn(5)) Out[6]: 0 -0.173215 1 0.119209 2 -1.044236 3 -0.861849 4 -2.104569 dtype: float64
Pandas 的索引值可以重複。不支援重複索引值的操作會觸發異常。其原因主要與性能有關，有很多計算實例，比如 GroupBy 操作就不用索引。
字典
Series 可以用字典實例化：
In [7]: d = {'b': 1, 'a': 0, 'c': 2} In [8]: pd.Series(d) Out[8]: b 1 a 0 c 2 dtype: int64
data為字典，且未設置index參數時，如果 Python 版本 >= 3.6 且 Pandas 版本 >= 0.23，Series按字典的插入順序排序索引。 Python < 3.6 或 Pandas < 0.23，且未設置index參數時，Series按字母順序排序字典的鍵（key）列表。
上例中，如果 Python < 3.6 或 Pandas < 0.23，Series 按字母排序字典的鍵。輸出結果不是 ['b', 'a', 'c']，而是 ['a', 'b', 'c']。
如果設置了 index 參數，則按索引標籤提取 data 里對應的值。
In [9]: d = {'a': 0., 'b': 1., 'c': 2.} In [10]: pd.Series(d) Out[10]: a 0.0 b 1.0 c 2.0 dtype: float64 In [11]: pd.Series(d, index=['b', 'c', 'd', 'a']) Out[11]: b 1.0 c 2.0 d NaN a 0.0 dtype: float64
Pandas 用
NaN（Not a Number）表示缺失數據。
標量值
data 是標量值時，必須提供索引。Series 按索引長度重複該標量值。
In [12]: pd.Series(5., index=['a', 'b', 'c', 'd', 'e']) Out[12]: a 5.0 b 5.0 c 5.0 d 5.0 e 5.0 dtype: float64
Series 類似多維數組
Series 操作與 ndarray 類似，支援大多數 NumPy 函數，還支援索引切片。
In [13]: s[0] Out[13]: 0.4691122999071863 In [14]: s[:3] Out[14]: a 0.469112 b -0.282863 c -1.509059 dtype: float64 In [15]: s[s > s.median()] Out[15]: a 0.469112 e 1.212112 dtype: float64 In [16]: s[[4, 3, 1]] Out[16]: e 1.212112 d -1.135632 b -0.282863 dtype: float64 In [17]: np.exp(s) Out[17]: a 1.598575 b 0.753623 c 0.221118 d 0.321219 e 3.360575 dtype: float64
索引與選擇數據一節介紹了
s[[4, 3, 1]]等數組索引操作。
和 NumPy 數組一樣，Series 也支援 dtype。
In [18]: s.dtype Out[18]: dtype('float64')
Series 的數據類型一般是 NumPy 數據類型。不過，Pandas 和第三方庫在一些方面擴展了 NumPy 類型系統，即擴展數據類型。比如，Pandas 的類別型數據與可空整數數據類型。更多資訊，請參閱數據類型 。
Series.array 用於提取 Series 數組。
In [19]: s.array Out[19]: <PandasArray> [ 0.4691122999071863, -0.2828633443286633, -1.5090585031735124, -1.1356323710171934, 1.2121120250208506] Length: 5, dtype: float64
執行不用索引的操作時，如禁用自動對齊，訪問數組非常有用。
Series.array 一般是擴展數組。簡單說，擴展數組是把 N 個 numpy.ndarray 包在一起的打包器。Pandas 知道怎麼把擴展數組存儲到 Series 或 DataFrame 的列里。更多資訊，請參閱數據類型。
Series 只是類似於多維數組，提取真正的多維數組，要用 Series.to_numpy()。
In [20]: s.to_numpy() Out[20]: array([ 0.4691, -0.2829, -1.5091, -1.1356, 1.2121])
Series 是擴展數組 ，Series.to_numpy() 返回的是 NumPy 多維數組。
Series 類似字典
Series 類似固定大小的字典，可以用索引標籤提取值或設置值：
In [21]: s['a'] Out[21]: 0.4691122999071863 In [22]: s['e'] = 12. In [23]: s Out[23]: a 0.469112 b -0.282863 c -1.509059 d -1.135632 e 12.000000 dtype: float64 In [24]: 'e' in s Out[24]: True In [25]: 'f' in s Out[25]: False
引用 Series 里沒有的標籤會觸發異常：
>>> s['f'] KeyError: 'f'
get 方法可以提取 Series 里沒有的標籤，返回 None 或指定默認值：
In [26]: s.get('f') In [27]: s.get('f', np.nan) Out[27]: nan
更多資訊，請參閱屬性訪問。
矢量操作與對齊 Series 標籤
Series 和 NumPy 數組一樣，都不用循環每個值，而且 Series 支援大多數 NumPy 多維數組的方法。
In [28]: s + s Out[28]: a 0.938225 b -0.565727 c -3.018117 d -2.271265 e 24.000000 dtype: float64 In [29]: s * 2 Out[29]: a 0.938225 b -0.565727 c -3.018117 d -2.271265 e 24.000000 dtype: float64 In [30]: np.exp(s) Out[30]: a 1.598575 b 0.753623 c 0.221118 d 0.321219 e 162754.791419 dtype: float64
Series 和多維數組的主要區別在於， Series 之間的操作會自動基於標籤對齊數據。因此，不用顧及執行計算操作的 Series 是否有相同的標籤。
In [31]: s[1:] + s[:-1] Out[31]: a NaN b -0.565727 c -3.018117 d -2.271265 e NaN dtype: float64
操作未對齊索引的 Series， 其計算結果是所有涉及索引的並集。如果在 Series 里找不到標籤，運算結果標記為 NaN，即缺失值。編寫無需顯式對齊數據的程式碼，給交互數據分析和研究提供了巨大的自由度和靈活性。Pandas 數據結構集成的數據對齊功能，是 Pandas 區別於大多數標籤型數據處理工具的重要特性。
總之，讓不同索引對象操作的默認結果生成索引並集，是為了避免資訊丟失。就算缺失了數據，索引標籤依然包含計算的重要資訊。當然，也可以用
dropna函數清除含有缺失值的標籤。
名稱屬性
Series 支援 name 屬性：
In [32]: s = pd.Series(np.random.randn(5), name='something') In [33]: s Out[33]: 0 -0.494929 1 1.071804 2 0.721555 3 -0.706771 4 -1.039575 Name: something, dtype: float64 In [34]: s.name Out[34]: 'something'
一般情況下，Series 自動分配 name，特別是提取一維 DataFrame 切片時，詳見下文。
0.18.0 版新增。
pandas.Series.rename() 方法用於重命名 Series 。
In [35]: s2 = s.rename("different") In [36]: s2.name Out[36]: 'different'
注意，s 與 s2 指向不同的對象。
【完】
