最近在看機器學習時發現資料前處理都要用到 Pandas, 所以打算先把 Pandas 好好測試過後再繼續 ML 的學習. Python 的資料科學套件中 Pandas 最實用, 雖然機器學習少不了它, 但它其實一開始是為了金融用途而設計的, 特別是金融資訊中的時間序列 (Time Series) 資料處理.
Pandas 是
Wes McKinney 在 2008 年於 AQR 資本管理公司工作時所開發的財務分析工具, 於 2009 年開放原始碼. Pandas 的主要目的是讓使用者能快速發現資料中的資訊與隱藏的意義, 它吸納了 R 語言中的許多好用套裝軟體例如 plyr 與 reshape2 等, 補足了 Python 生態系在資料分析與建模上的缺口 , 參考 :
本系列測試參考書目如下 :
Pandas 整合了 Numpy, Scipy, 與 Matplotlib, 在整個 Python 資料科學技術堆疊中屬於最上層, 主要是透過其 DataFrame (資料框) 物件提供異質表格資料的讀取, 轉換, 與處理等資料操控 (data manipulation) 功能, 另外 Pandas 也提供統計分析函數, 並透過 Matplotlib 提供資料繪圖功能 :
在 Python 資料科學與機器學習中主要負責資料清洗 (data cleansing) 的前處理作業. 基本上 Pandas 是用來操控結構化資料 (structured data, 即有固定欄位與資料模型的一維或二維資料), 但也提供了將非結構化資料轉成結構化資料的函數.
資料依其組織型態可分為三種 :
- 結構化資料 :
具有固定欄位, 格式, 以及順序的資料, 它含有一個定義資料型別 (例如數值, 字串等) 與限制 (字元數, 最大最小值等) 的資料模型. 典型的結構化資料例如試算表與關連式資料庫中的資料表. 結構化資料可以用 SQL 語言查詢. - 半結構化資料 :
資料雖然有欄位但不固定 (不一致), 缺乏嚴格的資料模型, 例如 JSON 格式就是典型的半結構化資料, 雖然有些 JSON 資料有定義良好的格式. 但它沒有關聯式資料庫中的資料綱要 (schema) 可套用. 半結構化資料可用 NoSQL 語言查詢. - 非結構化資料 :
沒有嚴格定義欄位與型別的資料, 例如圖片, 視訊, 音訊, PDF, 網頁等等. Pasndas 無法直接操控非結構化資料, 但提供了從網頁中擷取特定內容的好用工具.
參考 :
1. 安裝 Pandas :
Pandas 係第三方套件, 因此使用前需先安裝, 指令如下 :
pip install pandas
如果已經安裝過可在後面添加 -U 參數安裝最新版 :
pip install pandas -U
Pandas 是建立在 Numpy 的基礎上, 因此若尚未安裝 Numpy 會自動安裝 Numpy 等相依套件. 安裝好後即可用 import 指令匯入 Pandas 套件. 一般慣例用 pd 作為其簡名, 呼叫 dir() 函數可檢視 Pandas 套件中的類別成員 (屬性與方法) :
>>> import pandas as pd
>>> dir(pd)
['BooleanDtype', 'Categorical', 'CategoricalDtype', 'CategoricalIndex', 'DataFrame', 'DateOffset', 'DatetimeIndex', 'DatetimeTZDtype', 'ExcelFile', 'ExcelWriter', 'Flags', 'Float32Dtype', 'Float64Dtype', 'Float64Index', 'Grouper', 'HDFStore', 'Index', 'IndexSlice', 'Int16Dtype', 'Int32Dtype', 'Int64Dtype', 'Int64Index', 'Int8Dtype', 'Interval', 'IntervalDtype', 'IntervalIndex', 'MultiIndex', 'NA', 'NaT', 'NamedAgg', 'Period', 'PeriodDtype', 'PeriodIndex', 'RangeIndex', 'Series', 'SparseDtype', 'StringDtype', 'Timedelta', 'TimedeltaIndex', 'Timestamp', 'UInt16Dtype', 'UInt32Dtype', 'UInt64Dtype', 'UInt64Index', 'UInt8Dtype', '__builtins__', '__cached__', '__doc__', '__docformat__', '__file__', '__getattr__', '__git_version__', '__loader__', '__name__', '__package__', '__path__', '__spec__', '__version__', '_config', '_hashtable', '_is_numpy_dev', '_lib', '_libs', '_np_version_under1p17', '_np_version_under1p18', '_testing', '_tslib', '_typing', '_version', 'api', 'array', 'arrays', 'bdate_range', 'compat', 'concat', 'core', 'crosstab', 'cut', 'date_range', 'describe_option', 'errors', 'eval', 'factorize', 'get_dummies', 'get_option', 'infer_freq', 'interval_range', 'io', 'isna', 'isnull', 'json_normalize', 'lreshape', 'melt', 'merge', 'merge_asof', 'merge_ordered', 'notna', 'notnull', 'offsets', 'option_context', 'options', 'pandas', 'period_range', 'pivot', 'pivot_table', 'plotting', 'qcut', 'read_clipboard', 'read_csv', 'read_excel', 'read_feather', 'read_fwf', 'read_gbq', 'read_hdf', 'read_html', 'read_json', 'read_orc', 'read_parquet', 'read_pickle', 'read_sas', 'read_spss', 'read_sql', 'read_sql_query', 'read_sql_table', 'read_stata', 'read_table', 'reset_option', 'set_eng_float_format', 'set_option', 'show_versions', 'test', 'testing', 'timedelta_range', 'to_datetime', 'to_numeric', 'to_pickle', 'to_timedelta', 'tseries', 'unique', 'util', 'value_counts', 'wide_to_long']
可用 __version__ 檢視目前的 Pandas 版本 :
>>> pd.__version__
'1.2.5'
用 dir(pd) 會列出所有 Pandas 的成員, 裡面包含名稱有底線的保留成員, 以下改用一個自訂模組
members 的 list_members() 函式來列出模組或套件中的公開成員 (包含屬性與方法), 參考 :
>>> import pandas as pd
>>> import members
>>> members.list_members(pd)
BooleanDtype <class 'type'>
Categorical <class 'abc.ABCMeta'>
CategoricalDtype <class 'type'>
CategoricalIndex <class 'type'>
DataFrame <class 'type'>
DateOffset <class 'pandas._libs.tslibs.offsets.OffsetMeta'>
DatetimeIndex <class 'type'>
DatetimeTZDtype <class 'type'>
ExcelFile <class 'type'>
ExcelWriter <class 'abc.ABCMeta'>
Flags <class 'type'>
Float32Dtype <class 'type'>
Float64Dtype <class 'type'>
Float64Index <class 'type'>
Grouper <class 'type'>
HDFStore <class 'type'>
Index <class 'type'>
IndexSlice <class 'pandas.core.indexing._IndexSlice'>
Int16Dtype <class 'type'>
Int32Dtype <class 'type'>
Int64Dtype <class 'type'>
Int64Index <class 'type'>
Int8Dtype <class 'type'>
Interval <class 'type'>
IntervalDtype <class 'type'>
IntervalIndex <class 'type'>
MultiIndex <class 'type'>
NA <class 'pandas._libs.missing.NAType'>
NaT <class 'pandas._libs.tslibs.nattype.NaTType'>
NamedAgg <class 'type'>
Period <class 'type'>
PeriodDtype <class 'type'>
PeriodIndex <class 'type'>
RangeIndex <class 'type'>
Series <class 'type'>
SparseDtype <class 'type'>
StringDtype <class 'type'>
Timedelta <class 'type'>
TimedeltaIndex <class 'type'>
Timestamp <class 'type'>
UInt16Dtype <class 'type'>
UInt32Dtype <class 'type'>
UInt64Dtype <class 'type'>
UInt64Index <class 'type'>
UInt8Dtype <class 'type'>
api <class 'module'>
array <class 'function'>
arrays <class 'module'>
bdate_range <class 'function'>
compat <class 'module'>
concat <class 'function'>
core <class 'module'>
crosstab <class 'function'>
cut <class 'function'>
date_range <class 'function'>
describe_option <class 'pandas._config.config.CallableDynamicDoc'>
errors <class 'module'>
eval <class 'function'>
factorize <class 'function'>
get_dummies <class 'function'>
get_option <class 'pandas._config.config.CallableDynamicDoc'>
infer_freq <class 'function'>
interval_range <class 'function'>
io <class 'module'>
isna <class 'function'>
isnull <class 'function'>
json_normalize <class 'function'>
lreshape <class 'function'>
melt <class 'function'>
merge <class 'function'>
merge_asof <class 'function'>
merge_ordered <class 'function'>
notna <class 'function'>
notnull <class 'function'>
offsets <class 'module'>
option_context <class 'type'>
options <class 'pandas._config.config.DictWrapper'>
pandas <class 'module'>
period_range <class 'function'>
pivot <class 'function'>
pivot_table <class 'function'>
plotting <class 'module'>
qcut <class 'function'>
read_clipboard <class 'function'>
read_csv <class 'function'>
read_excel <class 'function'>
read_feather <class 'function'>
read_fwf <class 'function'>
read_gbq <class 'function'>
read_hdf <class 'function'>
read_html <class 'function'>
read_json <class 'function'>
read_orc <class 'function'>
read_parquet <class 'function'>
read_pickle <class 'function'>
read_sas <class 'function'>
read_spss <class 'function'>
read_sql <class 'function'>
read_sql_query <class 'function'>
read_sql_table <class 'function'>
read_stata <class 'function'>
read_table <class 'function'>
reset_option <class 'pandas._config.config.CallableDynamicDoc'>
set_eng_float_format <class 'function'>
set_option <class 'pandas._config.config.CallableDynamicDoc'>
show_versions <class 'function'>
test <class 'function'>
testing <class 'module'>
timedelta_range <class 'function'>
to_datetime <class 'function'>
to_numeric <class 'function'>
to_pickle <class 'function'>
to_timedelta <class 'function'>
tseries <class 'module'>
unique <class 'function'>
util <class 'module'>
value_counts <class 'function'>
wide_to_long <class 'function'>
可見此方式的優點是可以知道該成員是類別, 函式, 或套件下的模組. 類別中最重要的是 Series 與 DataFrame 這兩個, 呼叫其建構函式 pd.Series() 與 pd.DataFrame() 即可建立 Pandas 的核心物件 Series 與 DataFrame 物件.
Pandas 是建立在 Numpy 之上的新套件, 可以說是 Numpy 陣列結構的加強版, 主要是為列與欄的索引加上了標籤, 並提供了 Series, DataFrame 與 Panel 這三種資料結構物件來裡裡資料, 在資料科學與機器學習中 Pandas 主要是負責資料清理或資料前處理工作, 其中 Series 物件是具有索引標籤的一維向量; DataFrame 是具有行與列索引標籤的二維陣列 (矩陣), 而 Panel 則是三個軸都有索引標籤的三維陣列, 結構如下 :
由於 DataFrame 的階層式索引功能也可以用來表示三維陣列, 因此 Panel 的應用並不多, 所以 DataFrame 成為 Pandas 最常用的資料結構, 而 Series 物件可以視為組成 DataFrame 的組件, 事實上, 將 DataFrame 的各欄拆開就是一個個長度相同的 Series 物件.
2. 建立 Series 物件 :
Series 物件其實就是在 Numpy 的一維陣列上添加 (列) 索引標籤, Numpy 的 ndarray 陣列只能用 0 起始的整數當索引, 而 Series 物件則除了原本的整數索引外, 還可以用字串標籤當索引. 我們可以把 Series 物件看成是一個單行向量 (column vector), 其索引標籤就是行向量的列編號或名稱.
建立 Series 物件的語法如下 :
pd.Series(data [, index])
其中必要參數 data 可以是任何 Python 資料型態 (數值, 字串, 元組串列, 元組, 字典, 物件) 或 Numpy 的 ndarray 陣列等資料類型 (各元素的資料型態必須相同, 因為它們是同一欄變數之值), 備選參數 index 用來指定資料的索引, 可以是串列, 元組, 或字典等資料類型.
建立 Series 物件後可以用 dir() 來檢視其公開成員, 如果使用上面的自訂模組 members 來檢視會出現 AbstractMethod 例外, 故改為直接檢視 pd.Series 類別 :
>>> import pandas as pd
>>> import members
>>> members.list_members(pd.Series)
T <class 'property'>
abs <class 'function'>
add <class 'function'>
add_prefix <class 'function'>
add_suffix <class 'function'>
agg <class 'function'>
aggregate <class 'function'>
align <class 'function'>
all <class 'function'>
any <class 'function'>
append <class 'function'>
apply <class 'function'>
argmax <class 'function'>
argmin <class 'function'>
argsort <class 'function'>
array <class 'property'>
asfreq <class 'function'>
asof <class 'function'>
astype <class 'function'>
at <class 'property'>
at_time <class 'function'>
attrs <class 'property'>
autocorr <class 'function'>
axes <class 'property'>
backfill <class 'function'>
between <class 'function'>
between_time <class 'function'>
bfill <class 'function'>
bool <class 'function'>
cat <class 'type'>
clip <class 'function'>
combine <class 'function'>
combine_first <class 'function'>
compare <class 'function'>
convert_dtypes <class 'function'>
copy <class 'function'>
corr <class 'function'>
count <class 'function'>
cov <class 'function'>
cummax <class 'function'>
cummin <class 'function'>
cumprod <class 'function'>
cumsum <class 'function'>
describe <class 'function'>
diff <class 'function'>
div <class 'function'>
divide <class 'function'>
divmod <class 'function'>
dot <class 'function'>
drop <class 'function'>
drop_duplicates <class 'function'>
droplevel <class 'function'>
dropna <class 'function'>
dt <class 'type'>
dtype <class 'property'>
dtypes <class 'property'>
duplicated <class 'function'>
empty <class 'property'>
eq <class 'function'>
equals <class 'function'>
ewm <class 'function'>
expanding <class 'function'>
explode <class 'function'>
factorize <class 'function'>
ffill <class 'function'>
fillna <class 'function'>
filter <class 'function'>
first <class 'function'>
first_valid_index <class 'function'>
flags <class 'property'>
floordiv <class 'function'>
ge <class 'function'>
get <class 'function'>
groupby <class 'function'>
gt <class 'function'>
hasnans <class 'property'>
head <class 'function'>
hist <class 'function'>
iat <class 'property'>
idxmax <class 'function'>
idxmin <class 'function'>
iloc <class 'property'>
index <class 'pandas._libs.properties.AxisProperty'>
infer_objects <class 'function'>
interpolate <class 'function'>
is_monotonic <class 'property'>
is_monotonic_decreasing <class 'property'>
is_monotonic_increasing <class 'property'>
is_unique <class 'property'>
isin <class 'function'>
isna <class 'function'>
isnull <class 'function'>
item <class 'function'>
items <class 'function'>
iteritems <class 'function'>
keys <class 'function'>
kurt <class 'function'>
kurtosis <class 'function'>
last <class 'function'>
last_valid_index <class 'function'>
le <class 'function'>
loc <class 'property'>
lt <class 'function'>
mad <class 'function'>
map <class 'function'>
mask <class 'function'>
max <class 'function'>
mean <class 'function'>
median <class 'function'>
memory_usage <class 'function'>
min <class 'function'>
mod <class 'function'>
mode <class 'function'>
mul <class 'function'>
multiply <class 'function'>
name <class 'property'>
nbytes <class 'property'>
ndim <class 'property'>
ne <class 'function'>
nlargest <class 'function'>
notna <class 'function'>
notnull <class 'function'>
nsmallest <class 'function'>
nunique <class 'function'>
pad <class 'function'>
pct_change <class 'function'>
pipe <class 'function'>
plot <class 'type'>
pop <class 'function'>
pow <class 'function'>
prod <class 'function'>
product <class 'function'>
quantile <class 'function'>
radd <class 'function'>
rank <class 'function'>
ravel <class 'function'>
rdiv <class 'function'>
rdivmod <class 'function'>
reindex <class 'function'>
reindex_like <class 'function'>
rename <class 'function'>
rename_axis <class 'function'>
reorder_levels <class 'function'>
repeat <class 'function'>
replace <class 'function'>
resample <class 'function'>
reset_index <class 'function'>
rfloordiv <class 'function'>
rmod <class 'function'>
rmul <class 'function'>
rolling <class 'function'>
round <class 'function'>
rpow <class 'function'>
rsub <class 'function'>
rtruediv <class 'function'>
sample <class 'function'>
searchsorted <class 'function'>
sem <class 'function'>
set_axis <class 'function'>
set_flags <class 'function'>
shape <class 'property'>
shift <class 'function'>
size <class 'property'>
skew <class 'function'>
slice_shift <class 'function'>
sort_index <class 'function'>
sort_values <class 'function'>
sparse <class 'type'>
squeeze <class 'function'>
std <class 'function'>
str <class 'type'>
sub <class 'function'>
subtract <class 'function'>
sum <class 'function'>
swapaxes <class 'function'>
swaplevel <class 'function'>
tail <class 'function'>
take <class 'function'>
to_clipboard <class 'function'>
to_csv <class 'function'>
to_dict <class 'function'>
to_excel <class 'function'>
to_frame <class 'function'>
to_hdf <class 'function'>
to_json <class 'function'>
to_latex <class 'function'>
to_list <class 'function'>
to_markdown <class 'function'>
to_numpy <class 'function'>
to_period <class 'function'>
to_pickle <class 'function'>
to_sql <class 'function'>
to_string <class 'function'>
to_timestamp <class 'function'>
to_xarray <class 'function'>
tolist <class 'function'>
transform <class 'function'>
transpose <class 'function'>
truediv <class 'function'>
truncate <class 'function'>
tshift <class 'function'>
tz_convert <class 'function'>
tz_localize <class 'function'>
unique <class 'function'>
unstack <class 'function'>
update <class 'function'>
value_counts <class 'function'>
values <class 'property'>
var <class 'function'>
view <class 'function'>
where <class 'function'>
xs <class 'function'>
可見 Series 物件有非常多成員, 大部分為方法.
Series 物件常用的屬性如下表 :
| Series 物件屬性
|
說明 |
| index |
索引 (Index 物件) |
| values |
內容 (數值, 字串,
元組串列, 元組, 字典, 物件或 Numpy 陣列) |
| loc |
索引位置物件,
用索引標籤來存取元素, 例如 s.loc['a'] |
| iloc |
索引位置物件,
用 0 起始整數索引存取元素, 例如 s.loc[0] |
| dtype |
Series
物件內容的資料型態 |
| shape |
Series
物件內容的外形 |
| size |
Series 物件元素數目 |
| name |
Series 物件名稱 |
其中最常用的是 index 與 values 屬性, 可用來存取其標籤索引與內容 (值). 屬性 loc 是一個 LocIndexer 物件, 用來儲存索引標籤與對應的值, 可用 ['索引標籤'] 來存取元素值. 屬性 iloc 是一個 iLocIndexer 物件, 用來儲存 0 起始整數索引與對應的值, 可用 [整數索引] 來存取元素值. 其他屬性如 stype, shape, size 等皆來自 Numpy, 與 ndarray 物件之用法相同.
由於 Pandas 內部資料結構直接使用 Numpy 的 ndarray 物件, 因此 Series 物件的方法也與 ndarray 物件相同, 常用的方法如下表 :
| Series 物件常用方法 | 說明 |
| append() | 串接兩個或多個 Series 物件 |
| corr() | 計算兩個 Series 物件的相關性 |
| cov() | 計算兩個 Series 物件的變異數 |
| describe() | 計算並輸出 Series 物件的描述統計值 |
| drop_duplicates() | 刪除重複元素後傳回新的 Series 物件 |
| equals() | 比較兩個 Series 物件元素是否相同 (傳回 True/False) |
| get_values() | 傳回 Series 物件之值 (與 values 屬性功能相同) |
| hist() | 繪製 Series 物件之 histogram (直方圖) |
| isin() | 檢查元素是否在 Series 物件中 (傳回 True/False) |
| min() | 傳回 Series 物件中最小的元素 |
| max() | 傳回 Series 物件中最大的元素 |
| mean() | 傳回 Series 物件所有元素的平均值 |
| median() | 傳回 Series 物件所有元素的中位數 |
| mode() | 傳回 Series 物件中出現次數最多者 (mode) |
| quantile() | 傳回 Series 物件的指定四分位數 |
| replace() | 以指定的值取代 Series 物件中的某值 |
| sample() | 隨機傳回 Series 物件中的一個元素值 |
| sort_values() | 將 Series 物件的元素值排序 |
| to_frame() | 將 Series 物件轉成 DataFrame 物件 |
| transpose() | 將 Series 物件轉置後傳回 |
| unique() | 將 Series 物件中獨一無二的元素組成 ndarray 物件傳回 |
(1). 使用串列建立 Series 物件 :
將串列傳入 pd.Series 即可建立 Series 物件, 注意, 串列元素資料類型須一致 :
>>> import pandas as pd
>>> s=pd.Series([1, 2, 3, 4, 5]) # 傳入串列為值
>>> type(s)
<class 'pandas.core.series.Series'> # 型態為 Series 物件
>>> s.values
array([1, 2, 3, 4, 5], dtype=int64)
>>> type(s.values)
<class 'numpy.ndarray'> # Series 物件的內容 (值) 是 Numpy 的 ndarray 物件
>>> s.values.shape # Series 物件的內容 (值) 是一維陣列
(5,)
>>> s.index
RangeIndex(start=0, stop=5, step=1)
>>> type(s.index)
<class 'pandas.core.indexes.range.RangeIndex'> # 預設索引是 RangeIndex 物件
>>> print(s) # 顯示 Series 物件內容
0 1
1 2
2 3
3 4
4 5
dtype: int64
>>> s.dtype
dtype('int64')
顯示 Series 物件時看起來它似乎是二維陣列, 但其實它只是擁有索引標籤的一維陣列 (行向量) 而已, 雖然 Series 物件由左右兩個一維陣列組成, 左邊的一維陣列只是它的索引, 預設是 0 起始的連續整數, 右邊的陣列才是 Series 的內容.
可以在建立 Series 物件時傳入 index 參數指定標籤索引, 這樣既可以用預設的整數索引存取, 也可以用標籤索引存取, 例如 :
>>> s=pd.Series([1, 2, 3, 4, 5], index=('a', 'b', 'c', 'd', 'e')) # 指定標籤索引
>>> print(s)
a 1
b 2
c 3
d 4
e 5
dtype: int64
>>> s[0] # 用預設的整數索引存取
1
>>> s['a'] # 用標籤索引存取
1
>>> s.index
Index(['a', 'b', 'c', 'd', 'e'], dtype='object') # 索引是字串物件
可見將設定字串索引標籤後, index 屬性值變成 object 型態, 而不是預設的 RangeIndex 物件了.
也可以在建立 Series 物件之後再指定 index 屬性的內容來更改索引, 例如 :
>>> s=pd.Series([1, 2, 3, 4, 5]) # 預設為整數索引
>>> print(s)
0 1
1 2
2 3
3 4
4 5
dtype: int64
>>> s.index=['a', 'b', 'c', 'd', 'e'] # 設定標籤索引
>>> print(s)
a 1
b 2
c 3
d 4
e 5
dtype: int64
可見索引已經變成字串標籤了.
但若傳入的 index 是整數序列, 則預設的 0 起始整數索引將被取代, 不可再使用, 若仍要使用預設的 0 起始整數索引必須改用 iloc 屬性存取, 例如 :
>>> s=pd.Series([1, 2, 3, 4, 5], index=range(1, 6))
>>> print(s)
1 1
2 2
3 3
4 4
5 5
dtype: int64
>>> s.index
RangeIndex(start=1, stop=6, step=1) # 索引為 1~5 的連續整數
>>> s[0] # 預設的 0 起始整數索引已被取代, 不可再使用
Traceback (most recent call last):
File "C:\Python37\lib\site-packages\pandas\core\indexes\range.py", line 351, in get_loc
return self._range.index(new_key)
ValueError: 0 is not in range
The above exception was the direct cause of the following exception:
Traceback (most recent call last):
File "<pyshell>", line 1, in <module>
File "C:\Python37\lib\site-packages\pandas\core\series.py", line 853, in __getitem__
return self._get_value(key)
File "C:\Python37\lib\site-packages\pandas\core\series.py", line 961, in _get_value
loc = self.index.get_loc(label)
File "C:\Python37\lib\site-packages\pandas\core\indexes\range.py", line 353, in get_loc
raise KeyError(key) from err
KeyError: 0
>>> s.iloc[0] # 改用 iloc 屬性存取
'蘋果'
可見若不是傳入整數序列的 index (例如字串串列), 則預設的 0 起始整數索引仍可同時使用; 但若傳入整數序列的 index 就不可以使用, 會出現 KeyError 錯誤, 這時必須改用 iloc 屬性存取.
(2). 使用字典建立 Series 物件 :
建立 Series 物件時若傳入字典, 則 Pandas 會把字典的 key 抽出來做為索引, 把字典的 value 抽出來做為值, 所以其實可以把 Series 看成是有順序的字典 (字典是無序的), 例如 :
>>> fruits={'apple': '蘋果', 'grape': '葡萄', 'banana': '香蕉'}
>>> s=pd.Series(fruits)
>>> print(s)
apple 蘋果
grape 葡萄
banana 香蕉
dtype: object
>>> s.index
Index(['apple', 'grape', 'banana'], dtype='object') # 字典的 key 變成索引
>>> s.values
array(['蘋果', '葡萄', '香蕉'], dtype=object) # 字典的 value 變成 Series 的值
>>> s[0]
'蘋果'
>>> s['apple']
'蘋果'
可見如果字典的 key 是字串, 則除了可以使用這些 key 當索引存取 Series 物件外, 還是可以用預設的 0 起始整數索引去存取.
但是如果字典的 key 是整數, 則預設的 0 起始連續索引會被抽出的 key 取代, 存取不存在的整數索引位置會出現錯誤, 例如 :
>>> fruits={1: '蘋果', 2: '葡萄', 3: '香蕉'} # 字典的 key 是整數
>>> s=pd.Series(fruits)
>>> s.index
Int64Index([1, 2, 3], dtype='int64') # 字典的 key 被抽出來當 Series 的索引
>>> s.values
array(['蘋果', '葡萄', '香蕉'], dtype=object)
>>> s[1] # 用字典的 key 存取 Series
'蘋果'
>>> s[2] # 用字典的 key 存取 Series
'葡萄'
>>> s[3] # 用字典的 key 存取 Series
'香蕉'
>>> s[0] # 0 不是字典的 key
Traceback (most recent call last):
File "C:\Python37\lib\site-packages\pandas\core\indexes\base.py", line 3081, in get_loc
return self._engine.get_loc(casted_key)
File "pandas\_libs\index.pyx", line 70, in pandas._libs.index.IndexEngine.get_loc
File "pandas\_libs\index.pyx", line 101, in pandas._libs.index.IndexEngine.get_loc
File "pandas\_libs\hashtable_class_helper.pxi", line 1625, in pandas._libs.hashtable.Int64HashTable.get_item
File "pandas\_libs\hashtable_class_helper.pxi", line 1632, in pandas._libs.hashtable.Int64HashTable.get_item
KeyError: 0
The above exception was the direct cause of the following exception:
Traceback (most recent call last):
File "<pyshell>", line 1, in <module>
File "C:\Python37\lib\site-packages\pandas\core\series.py", line 853, in __getitem__
return self._get_value(key)
File "C:\Python37\lib\site-packages\pandas\core\series.py", line 961, in _get_value
loc = self.index.get_loc(label)
File "C:\Python37\lib\site-packages\pandas\core\indexes\base.py", line 3083, in get_loc
raise KeyError(key) from err
KeyError: 0
(3). 使用 Numpy 陣列建立 Series 物件 :
Numpy 的 ndarray 陣列也可以傳入 pd.Series() 來建立 Series 物件, 例如 :
>>> import numpy as np
>>> s=pd.Series(np.array([1, 2, 3, 4, 5])) # 傳入 ndarray 物件
>>> s.index
RangeIndex(start=0, stop=5, step=1)
>>> s.values
array([1, 2, 3, 4, 5])
>>> print(s)
0 1
1 2
2 3
3 4
4 5
dtype: int32
>>> s.dtype
dtype('int32')
可見除了 dtype 是 int32 外, 與直接傳入串列結果基本上是一樣的 (直接傳入串列得到的 dtype 是 int64).
(4). 使用純量建立 Series 物件 :
如果在呼叫 pd.Series() 時傳入一個純量給 data 參數, 則該純量會被重複地填入每一個索引中, 例如 :
>>> import pandas as pd
>>> s=pd.Series(5, index=('a', 'b', 'c', 'd', 'e'))
>>> s
a 5
b 5
c 5
d 5
e 5
dtype: int64
如果要將內容都初始化為同一值, 只要傳入一個純量即可.
3. 建立 Series 物件 :
