如何提高网站流量鲜花网站设计论文
1.Series函数的格式：
pandas.Series(data,index,dtype,name,copy)
data：一组数据（ndarray类型、list、dict等类）或标量值
index：数据索引标签。如果不指定，默认为整数，从0开始
dtype：数据类型，默认会自己判断
name：设置的名称
copy：拷贝数据，默认为False
# 创建Series对象
import pandas as pd
import numpy as np
pd1 = pd.Series([100,200,300,400])
pd2 = pd.Series((100,200,300,400))
pd3 = pd.Series(np.array((100,200,300,400)))
print("pd1:")
print(pd1)
print("pd1的数据类型是：",type(pd1))
print("pd2:")
print(pd2)
print("pd2的数据类型是：",type(pd1))
print("pd3:")
print(pd3)
print("pd3的数据类型是：",type(pd1))pd1从列表生成
pd2从元组生成
pd3从Numpy的数组生成
在Series函数中，五个参数中必须有data（一组数据）参数，不写index默认为整数，从0开始,dtype默认会自己判断可写可不写,name设置的名称可省略,copy拷贝的数据 默认为False
注意：Series中的索引值可以是重复的
# Series对象的索引
import pandas as pd
import numpy as np
value = ["name","sex","score","class"]
print("--------ds1--------")
ds1 = pd.Series(value)
print(ds1)
print("--------ds2--------")
ds2 = pd.Series(value,[10,20,30,40])
print(ds2)
print("--------ds3--------")
index = ["name","sex","score","class"]
ds3 = pd.Series(value,index)
print(ds3)
print("--------ds4--------")
ds4 = pd.Series({'a':10,'b':20,'c':30,'d':40})
print(ds4)
print("--------ds5--------")
ds5 = pd.Series(5,index = [0,1,2,3])
print(ds5)ds1是默认索引
ds2是显性整数索引
ds3是显性命名索引
ds4通过字典类型创建，键就是索引的名字
ds5通过标量创建，此时必须给出索引，通过索引确定大小
2.Series的values和indexs的属性
Series是由一组数据values和索引index组成，因此Series对象最重要的两个对象是数据values和索引index。可查看访问这两个对象，可对index对象重新赋值以重新建立索引，但是不能对values重新赋值
# Series对象的values和index
import pandas as pd
import numpy as np
value = ["zs","male",80,"class1"]
index = ['name','sex','score','class']
ds = pd.Series(value,index)
print("Series对象的values和index的属性访问")
print("ds的values:",ds.values)
print("ds的index:",ds.index)
print("Series对象的values和index的重新赋值")
ds.index = ['姓名','性别','成绩','年龄']
print(ds)3.Series对象的索引
Series是由一组数据values和索引index组成，通过index可以访问对象的value
Series非常像ndarray，意味着可以采用NumPy中的一维数组操作类似的索引操作：单值元素索引和切片。如果显式给出了索引名称，也可以像字典那样通过“键”来访问对应的值
默认索引：只能通过默认整数下标访问和切片（不能是负值索引）
显式名称索引：既可以通过默认整数下标访问和切片（可以像列表那样使用负值索引），也可以通过“键”名称访问和切片
显式整数索引：只能通过指定整数下标访问元素，通过隐式整数索引（不能是负值索引）进行切片
# Series对象的索引
import pandas as pd
import numpy as np
x = pd.Series([10,20,30,40])
# 默认索引下标索引
y = pd.Series([10,20,30,40],index = ['a','b','c','d'])
# 显式名称索引下标索引
z = pd.Series([10,20,30,40],index = [100,200,300,400])
# 显式整数索引下标索引
print("x[1]=",x[1])
print("x[0:2]=",x[0:2])
print("y['b']=",y['b'])
print("y['a':'c'] =",y['a':'c'])
print("z[200]=",z[200])
print("z[0:2]=",z[0:2])4.Series的运算和操作
NumPy中的数组运算，在Series中都保留了，都可以使用，并且Series进行数组运算的时候，索引与值之间的映射关系不会发生改变。也就是说，在操作Series的时候，基本上可以吧Series看成NumPy中的ndarray数组来进行操作。ndarray数组的绝大多数操作都可以在Series上应用
import pandas as pd
import numpy as np
x = pd.Series([10,20,5,13])
#默认整数下标索引
m = x>20
n = x[x>10]
p = x*10
q = np.max(x)
print("x>20:",m)
print("x[x>10]:",n)
print("x*10:",p)
print("np.max(x):",q)
Series和ndarray之间的主要区别是，Series上的操作会根据索引自动对齐数据。因此，可以不考虑所涉及的Series的数据对齐