pandas
Serier

Enkla exempel på skapande av serier

En serie är en endimensionerad datastruktur. Det är lite som ett superladdat array eller en ordbok.

import pandas as pd

s = pd.Series([10, 20, 30])

>>> s
0    10
1    20
2    30
dtype: int64

Varje värde i en serie har ett index. Som standard är indexen heltal som löper från 0 till serielängden minus 1. I exemplet ovan kan du se indexen som skrivs ut till vänster om värdena.

Du kan ange dina egna index:

s2 = pd.Series([1.5, 2.5, 3.5], index=['a', 'b', 'c'], name='my_series')

>>> s2
a    1.5
b    2.5
c    3.5
Name: my_series, dtype: float64

s3 = pd.Series(['a', 'b', 'c'], index=list('ABC'))

>>> s3
A    a
B    b
C    c
dtype: object

Serier med datetime

import pandas as pd
import numpy as np

np.random.seed(0)
rng = pd.date_range('2015-02-24', periods=5, freq='T')
s = pd.Series(np.random.randn(len(rng)), index=rng)  
print (s)

2015-02-24 00:00:00    1.764052
2015-02-24 00:01:00    0.400157
2015-02-24 00:02:00    0.978738
2015-02-24 00:03:00    2.240893
2015-02-24 00:04:00    1.867558
Freq: T, dtype: float64

rng = pd.date_range('2015-02-24', periods=5, freq='T')
s1 = pd.Series(rng)  
print (s1)

0   2015-02-24 00:00:00
1   2015-02-24 00:01:00
2   2015-02-24 00:02:00
3   2015-02-24 00:03:00
4   2015-02-24 00:04:00
dtype: datetime64[ns]

Några snabba tips om serier i Pandas

Låt oss anta att vi har följande serie:

>>> import pandas as pd
>>> s = pd.Series([1, 4, 6, 3, 8, 7, 4, 5])
>>> s
0    1
1    4
2    6
3    3
4    8
5    7
6    4
7    5
dtype: int64

Följande är några enkla saker som är praktiska när du arbetar med serien:

För att få längden på s:

>>> len(s)
8

För att komma åt ett element i s:

>>> s[4]
8

För att komma åt ett element i s med indexet:

>>> s.loc[2]
6

För att komma åt en del-serie inuti:

>>> s[1:3]
1    4
2    6
dtype: int64

För att få en delserie av s med värden större än 5:

>>> s[s > 5]
2    6
4    8
5    7
dtype: int64

För att få minimi-, max-, medel- och standardavvikelse:

>>> s.min()
1
>>> s.max()
8
>>> s.mean()
4.75
>>> s.std()
2.2519832529192065

Så här konverterar du serien till float:

>>> s.astype(float)
0    1.0
1    4.0
2    6.0
3    3.0
4    8.0
5    7.0
6    4.0
7    5.0
dtype: float64

Så här får du värdena i s som en numpy array:

>>> s.values
array([1, 4, 6, 3, 8, 7, 4, 5])

Så här gör du en kopia av s:

>>> d = s.copy()
>>> d
0    1
1    4
2    6
3    3
4    8
5    7
6    4
7    5
dtype: int64

Tillämpa en funktion på en serie

Pandas är ett effektivt sätt att tillämpa en funktion på varje element i en serie och få en ny serie. Låt oss anta att vi har följande serie:

>>> import pandas as pd
>>> s = pd.Series([3, 7, 5, 8, 9, 1, 0, 4])
>>> s
0    3
1    7
2    5
3    8
4    9
5    1
6    0
7    4
dtype: int64

och en kvadratisk funktion:

>>> def square(x):
...     return x*x

Vi kan helt enkelt tillämpa kvadrat på varje element i s och få en ny serie:

>>> t = s.apply(square)
>>> t
0     9
1    49
2    25
3    64
4    81
5     1
6     0
7    16
dtype: int64

I vissa fall är det lättare att använda ett lambda-uttryck:

>>> s.apply(lambda x: x ** 2)
0     9
1    49
2    25
3    64
4    81
5     1
6     0
7    16
dtype: int64

eller så kan vi använda valfri inbyggd funktion:

>>> q = pd.Series(['Bob', 'Jack', 'Rose'])
>>> q.apply(str.lower)
0     bob
1    jack
2    rose
dtype: object

Om alla element i serien är strängar finns det ett enklare sätt att tillämpa strängmetoder:

>>> q.str.lower()
0     bob
1    jack
2    rose
dtype: object
>>> q.str.len()
0    3
1    4
2    4