任何数据类型都必须具备增删改查的操作，否则就无法对数据进行运算。本文讲解Series数据的增删改查、重新索引、对齐操作。

　　1、增加元素

　　1）直接设置一个key来添加元素

# -*- coding: utf-8 -*-

import pandas as pd
import numpy as np

# 添加元素
s = pd.Series([1,2],index=['a','b'])
s['c'] = '不错'  # 添加个索引
print(s)

a     1
b     2
c    不错
dtype: object

　　2）append()函数，该函数返回新的Series，参数必须是Series or list/tuple of Series，可以理解为上下拼接2个series。

# -*- coding: utf-8 -*-

import pandas as pd
import numpy as np

# append方式添加元素
s1 = pd.Series([1, 2, 3])
s2 = pd.Series([4, 5, 6])
s3 = s1.append(s2)
print(s3)

0    1
1    2
2    3
0    4
1    5
2    6
dtype: int64

　　2、删除元素

　　drop()函数，参数可以是单个或者多个索引(列表形式)，inplace参数默认False，返回新的Series。inplace为True则修改原来的Series。

# -*- coding: utf-8 -*-
import pandas as pd
import numpy as np

# 删除操作
arr = np.random.rand(3)
s = pd.Series(arr,index=['a','b','c'])
res = s.drop('a') #删除单个元素
print(res)
print('-----------')

s2 = pd.Series(arr)
res = s2.drop([0,1]) #删除多个元素
print(res)
print('-----------')

s3 = pd.Series(arr)
s3.drop([0,1],inplace=True) #删除多个元素
print(s3)

b    0.185835
c    0.740068
dtype: float64
-----------
2    0.740068
dtype: float64
-----------
2    0.740068
dtype: float64

　　3、更改元素

　　1）直接通过索引改

　　直接更改索引值是没问题的，如果进行一轮筛选从中选取目标数据再进行更改则对原Series是不成效的（在dataframe里面这种操作会报警告），具体看下面的代码。

# -*- coding: utf-8 -*-
import pandas as pd
import numpy as np

# 通过索引更改元素
arr = np.random.rand(3)
s = pd.Series(arr,index=list('abc'))
s['a'] = 100 #修改为100
print(s) # 标签a的值为100

s[s>99]['a']=1 #这个更改对s不生效
print(s) # s没有变化

print('============')
res = s[s>99] #单独拿来作为1个Series
res['a']= 1
print(res)

a    100.000000
b      0.892186
c      0.287931
dtype: float64
a    100.000000
b      0.892186
c      0.287931
dtype: float64
============
a    1.0
dtype: float64

　　2）通过apply函数更改

　　Series.apply(func, convert_dtype=True, args=(), **kwds)，func为函数名，代表把Series中的每个元素做1次操作。

s1 = pd.Series([1, 2, 3])

def add_100(element):
  return element + 100

s_add = s1.apply(add_100)
print(s_add)

0    101
1    102
2    103
dtype: int64

　　4、查看元素

　　1、head() 默认前5条数据，可以设置参数显示几条。

　　2、tail() 默认后5条数据，可以设置参数显示几条。

import pandas as pd
import numpy as np


arr = np.random.rand(2)
s = pd.Series(arr,index=['a','b'])
print(s)
print('---------')
print(s.head(1))
print('----------')
print(s.tail(1))

a    0.989174
b    0.474133
dtype: float64
---------
a    0.989174
dtype: float64
----------
b    0.474133
dtype: float64

　　5、重新索引

　　不是修改索引名，而是按照新的索引排序生成新Series。

　　1、reindex()函数实现，返回新的Series，如果新索引和旧索引有重复则会保留原有的索引及对应的值。

　　2、通过fill_value参数填充缺失值。

import pandas as pd
import numpy as np


# 重新索引
d = {'a': 1, 'b': 2, 'c': 3}
s = pd.Series(d, index=['a', 'b', 'c', 'd'])
print(s)
print('------------')

s1 = s.reindex(['a','b','aa','bb'])
print(s1)
print('------------')

s2 = s1.reindex(['a','b','cc','dd'],fill_value='哈哈')
print(s2)

a    1.0
b    2.0
c    3.0
d    NaN
dtype: float64
------------
a     1.0
b     2.0
aa    NaN
bb    NaN
dtype: float64
------------
a      1
b      2
cc    哈哈
dd    哈哈
dtype: object

　　6、对齐操作

　　1、两个Series求和（相当于add函数），索引相同的会自动相加（数据拼接时也会根据索引对齐，后续会介绍）。

　　2、2个Series求和时，如果某Series的index参数的值(索引值)有两个相同的，也可以照常参与相加（但是创建Series时应避免出现相同的索引）。

import pandas as pd
import numpy as np


# 对齐操作
arr = [10,20]
s = pd.Series(arr,index=['a','b'])
print(s)
print('----------------')

s2 = pd.Series(arr,index=['a','c'])
print(s2)
print('=================')
print(s + s2)

print('----------------')
s3 = pd.Series(arr,index=['a','a']) # 索引值相同
print(s3)
print('================')
print(s + s3)

a    10
b    20
dtype: int64
----------------
a    10
c    20
dtype: int64
=================
a    20.0
b     NaN
c     NaN
dtype: float64
----------------
a    10
a    20
dtype: int64
================
a    20.0
a    30.0
b     NaN
dtype: float64

很赞哦！

python编程网提示：转载请注明来源www.python66.com。
有宝贵意见可添加站长微信(底部)，获取技术资料请到公众号(底部)。同行交流请加群