TechCodeview

A série Pandas pode ser definida como um array unidimensional capaz de armazenar vários tipos de dados. Podemos facilmente converter a lista, tupla e dicionário em séries usando ' Series 'método. Os rótulos das linhas das séries são chamados de índice. Uma série não pode conter várias colunas. Possui o seguinte parâmetro:

tamanho do vetor c++

dados:Pode ser qualquer lista, dicionário ou valor escalar.índice:O valor do índice deve ser único e hashável. Deve ter o mesmo comprimento dos dados. Se não passarmos nenhum índice, padrão np.organizar(n) será usado.dtipo:Refere-se ao tipo de dados da série.cópia de:É usado para copiar os dados.

Criando uma série:

Podemos criar uma Série de duas maneiras:

1. Crie uma série vazia
2. Crie uma série usando entradas.

Crie uma série vazia:

Podemos facilmente criar uma série vazia no Pandas, o que significa que ela não terá nenhum valor.

A sintaxe usada para criar uma série vazia:

 = pandas.Series() 

O exemplo abaixo cria um objeto do tipo Série Vazia que não possui valores e possui tipo de dados padrão, ou seja, float64 .

Exemplo

 import pandas as pd x = pd.Series() print (x) 

Saída

 Series([], dtype: float64) 

Criando uma série usando entradas:

Podemos criar séries usando várias entradas:

palavra-chave estática em java

• Variedade
• Ditado
• Valor escalar

Criando séries a partir de array:

Antes de criar uma Série, primeiramente temos que importar o entorpecido módulo e então use a função array() no programa. Se os dados forem ndarray, o índice passado deverá ter o mesmo comprimento.

Se não passarmos um índice, então, por padrão, o índice de intervalo (n) está sendo passado onde n define o comprimento de uma matriz, ou seja, [0,1,2,.... intervalo(len(matriz))-1 ].

Exemplo

 import pandas as pd import numpy as np info = np.array(['P','a','n','d','a','s']) a = pd.Series(info) print(a) 

Saída

 0 P 1 a 2 n 3 d 4 a 5 s dtype: object 

Crie uma série a partir do dict

Também podemos criar uma série a partir de dict. Se o objeto do dicionário estiver sendo passado como entrada e o índice não for especificado, as chaves do dicionário serão obtidas em ordem classificada para construir o índice .

Se o índice for passado, os valores correspondentes a um rótulo específico no índice serão extraídos do dicionário .

 #import the pandas library import pandas as pd import numpy as np info = {'x' : 0., 'y' : 1., 'z' : 2.} a = pd.Series(info) print (a) 

Saída

 x 0.0 y 1.0 z 2.0 dtype: float64 

Crie uma série usando escalar:

Se tomarmos os valores escalares, o índice deverá ser fornecido. O valor escalar será repetido para corresponder ao comprimento do índice.

 #import pandas library import pandas as pd import numpy as np x = pd.Series(4, index=[0, 1, 2, 3]) print (x) 

Saída

 0 4 1 4 2 4 3 4 dtype: int64 

Acessando dados de séries com Posição:

Depois de criar o objeto do tipo Série, você pode acessar seus índices, dados e até mesmo elementos individuais.

quão grande é a tela do meu monitor

Os dados da série podem ser acessados ​​de forma semelhante aos do ndarray.

 import pandas as pd x = pd.Series([1,2,3],index = ['a','b','c']) #retrieve the first element print (x[0]) 

Saída

 1 

Atributos de objetos de série

O atributo Series é definido como qualquer informação relacionada ao objeto Series, como tamanho, tipo de dados. Abaixo estão alguns dos atributos que você pode usar para obter informações sobre o objeto Series:

Recuperando matriz de índice e matriz de dados de um objeto de série

Podemos recuperar a matriz de índice e a matriz de dados de um objeto Series existente usando os atributos índice e valores.

 import numpy as np import pandas as pd x=pd.Series(data=[2,4,6,8]) y=pd.Series(data=[11.2,18.6,22.5], index=['a','b','c']) print(x.index) print(x.values) print(y.index) print(y.values) 

Saída

 RangeIndex(start=0, stop=4, step=1) [2 4 6 8] Index(['a', 'b', 'c'], dtype='object') [11.2 18.6 22.5] 

Recuperando tipos (dtype) e tamanho do tipo (itemsize)

Você pode usar o atributo dtype com o objeto Series como dtype para recuperar o tipo de dados de um elemento individual de um objeto de série, você pode usar o tamanho do item atributo para mostrar o número de bytes alocados para cada item de dados.

 import numpy as np import pandas as pd a=pd.Series(data=[1,2,3,4]) b=pd.Series(data=[4.9,8.2,5.6], index=['x','y','z']) print(a.dtype) print(a.itemsize) print(b.dtype) print(b.itemsize) 

Saída

número do palíndromo

 int64 8 float64 8 

Recuperando Forma

A forma do objeto Series define o número total de elementos, incluindo valores ausentes ou vazios (NaN).

 import numpy as np import pandas as pd a=pd.Series(data=[1,2,3,4]) b=pd.Series(data=[4.9,8.2,5.6],index=['x','y','z']) print(a.shape) print(b.shape) 

Saída

 (4,) (3,) 

Recuperando dimensão, tamanho e número de bytes:

 import numpy as np import pandas as pd a=pd.Series(data=[1,2,3,4]) b=pd.Series(data=[4.9,8.2,5.6], index=['x','y','z']) print(a.ndim, b.ndim) print(a.size, b.size) print(a.nbytes, b.nbytes) 

Saída

 1 1 4 3 32 24 

Verificando o vazio e a presença de NaNs

Para verificar se o objeto Series está vazio, você pode usar o atributo vazio . Da mesma forma, para verificar se um objeto de série contém alguns valores NaN ou não, você pode usar o Hassan atributo.

string de divisão c++

Exemplo

 import numpy as np import pandas as pd a=pd.Series(data=[1,2,3,np.NaN]) b=pd.Series(data=[4.9,8.2,5.6],index=['x','y','z']) c=pd.Series() print(a.empty,b.empty,c.empty) print(a.hasnans,b.hasnans,c.hasnans) print(len(a),len(b)) print(a.count( ),b.count( )) 

Saída

 False False True True False False 4 3 3 3 

Funções de série

Existem algumas funções usadas em Series que são as seguintes: