Pandas Series

创建

• 通过列表创建

si = pd.Series([1, 2, 3, 4])

• 通过 np.arange() 创建

si = pd.Series(np.arange(8))

• 通过对象创建

si = pd.Series({\'a\': 1, \'b\': 2, \'c\': 3})

属性

• 查看Series的values

si.values  # array([1, 2, 3])

• 查看Series的index

si.index  # Index([\'1\', \'2\', \'3\'], dtype=\'object\')

方法

获取元素

si = pd.Series([1, 2, 3], index=[\'A\', \'B\', \'C\'])
si[\'A\']  # 1
si[0]  # 1

对值过滤

si = pd.Series([1, 2, 3], index=[\'A\', \'B\', \'C\'])
si[si > 1]
# B 2
# C 3

重置编号

Series默认编号为int类型的数字，我们可以重置Series的编号

• 在创建时重置

si = pd.Series([1, 2, 3], index=[\'A\', \'B\', \'C\'])
# A    1
# B    2
# C    3

• 通过 reindex() 方法重置

reindex() 方法接收一个新的 index 列表，用于替换原来的 index ，如果新的 index 包含原来的 index 没有的元素则新增的index元素默认填充为 NaN ，可以通过指定参数 fill_value 改变默认的值。

si = pd.Series([1, 2, 3])
si.reindex(index=[\'A\', \'B\', \'C\', \'D\', \'E\'])
# A    NaN
# B    NaN
# C    NaN
# D    NaN
# E    NaN
# dtype: float64

s1 = pd.Series([1, 2, 3])
s1.reindex(index=[\'A\', 2, \'C\', \'D\', \'E\'], fill_value=0)
# A    0
# B    3
# C    0
# D    0
# E    0
# dtype: int64

内插或填充 method

obj1=pd.Series(range(3), index=[\'a\', \'c\', \'e\'])
print(obj1.reindex([\'a\', \'b\', \'c\', \'d\', \'e\'], method=\'pad\'))
# a    0
# b    0
# c    1
# d    1
# e    2
# dtype: int64

ffill 或 pad: 前向（或进位）填充
bfill 或 backfill : 后向（或进位）填充

转换为字典

Series可以通过 to_dict() 转换为一个Python字典：

si = pd.Series([1, 2, 3], index=[\'A\', \'B\', \'C\'])
si.to_dict()

NaN

判断NaN

判断NaN，Series判断NaN有两个方法 isna() 和 notna() ：

• isna() 会对Series的每个元素的值进行判断，如果是NaN则为 True，否则为False。
• notna()会对Series的每个元素的值进行判断，如果是NaN则为 False，否则为True

si = pd.Series([1, 2, 3, np.nan], index=[\'A\', \'B\', \'C\', \'D\'])
si.isna()
# A    False
# B    False
# C    False
# D     True
# dtype: bool

删除NaN

si.dropna()

填充NaN项

si.fillna(value)

来源：https://segmentfault.com/a/1190000017310024