pandas.Series#
- class pandas.Series(data=None, index=None, dtype=None, name=None, copy=None)[source]#
带轴标签的一维 ndarray（包括时间序列）。
标签不必是唯一的，但必须是可哈希的类型。该对象支持整数和基于标签的索引，并提供了大量用于执行涉及索引的操作的方法。ndarray 的统计方法已被覆盖，以便自动排除缺失数据（当前表示为 NaN）。
Series 之间的操作（+、-、/、*、**）根据其关联的索引值对齐值——它们不必具有相同的长度。结果索引将是两个索引的排序并集。
- 参数:
- data类数组、可迭代对象、字典或标量值
包含存储在 Series 中的数据。如果 data 是 dict，则会保留参数顺序。不支持无序集合。
- index类数组或 Index（一维）
值必须是可哈希的，并且与 data 的长度相同。允许非唯一的索引值。如果未提供，则默认为 RangeIndex (0, 1, 2, …, n)。如果 data 是类 dict 且 index 为 None，则 data 中的键将用作索引。如果 index 不是 None，则生成的 Series 将使用 index 值进行重新索引。
- dtypestr、numpy.dtype 或 ExtensionDtype，可选
输出 Series 的数据类型。如果未指定，将从 data 推断。有关更多用法，请参阅 用户指南。
- name可哈希，默认为 None
要分配给 Series 的名称。
- copybool，默认为 None
是否复制输入数据，仅对数组、Series 和 Index 输入相关（对于其他输入，例如列表，总是会创建一个新数组）。对于数组输入，默认为 True，对于 Index/Series，默认为 False。即使对于 Index/Series 为 False，也会创建数据的浅拷贝。如果知道输入数据不会在其他地方修改，则将其设置为 False 以避免复制数组输入（风险自负）。设置为 True 以强制立即复制 Series/Index 输入。
注意
请参考 用户指南 获取更多信息。
示例
从具有指定 Index 的字典构造 Series
>>> d = {"a": 1, "b": 2, "c": 3} >>> ser = pd.Series(data=d, index=["a", "b", "c"]) >>> ser a 1 b 2 c 3 dtype: int64
字典的键与 Index 值匹配，因此 Index 值无效。
>>> d = {"a": 1, "b": 2, "c": 3} >>> ser = pd.Series(data=d, index=["x", "y", "z"]) >>> ser x NaN y NaN z NaN dtype: float64
请注意，Index 首先使用字典中的键进行构建。之后，Series 使用给定的 Index 值进行重新索引，因此我们得到的结果是全部 NaN。
使用 copy=False 从列表构造 Series。
>>> r = [1, 2] >>> ser = pd.Series(r, copy=False) >>> ser.iloc[0] = 999 >>> r [1, 2] >>> ser 0 999 1 2 dtype: int64
由于输入数据类型，即使 copy=False，Series 仍然拥有原始数据的 copy，因此数据保持不变。
使用 copy=False 从一维 ndarray 构造 Series。
>>> r = np.array([1, 2]) >>> ser = pd.Series(r, copy=False) >>> ser.iloc[0] = 999 >>> r array([999, 2]) >>> ser 0 999 1 2 dtype: int64
由于输入数据类型，Series 拥有原始数据的 view，因此数据也会被更改。
属性
返回转置，按定义是自身。
支持此 Series 或 Index 的数据的 ExtensionArray。
通过行/列标签对访问单个值。
此数据集的全局属性字典。
axes返回行轴标签的列表。
返回底层数据的 dtype 对象。
返回底层数据的 dtype 对象。
指示 Index 是否为空。
获取与此 pandas 对象相关的属性。
如果存在任何 NaN，则返回 True。
通过整数位置通过行/列对访问单个值。
纯粹基于整数位置的索引，用于按位置选择。
Series 的索引（轴标签）。
如果对象中的值单调递减，则返回 True。
如果对象中的值是单调递增的，则返回 True。
如果对象中的值是唯一的，则返回 True。
通过标签或布尔数组访问一组行和列。
返回 Series 的名称。
返回底层数据的字节数。
底层数据的维度数，定义为 1。
返回底层数据的 shape 元组。
返回底层数据的元素数量。
根据 dtype 返回 Series 作为 ndarray 或 ndarray-like。
Methods
abs()返回一个 Series/DataFrame，其中包含每个元素的绝对数值。
add(other[, level, fill_value, axis])返回 Series 与 other 的相加结果，逐元素进行 (二元运算符 add)。
add_prefix(prefix[, axis])为标签添加前缀字符串prefix。
add_suffix(suffix[, axis])为标签添加后缀字符串suffix。
agg([func, axis])沿指定轴对一个或多个操作进行聚合。
aggregate([func, axis])沿指定轴对一个或多个操作进行聚合。
align(other[, join, axis, level, copy, ...])使用指定的连接方法将两个对象按其轴对齐。
all(*[, axis, bool_only, skipna])返回所有元素是否为 True，可能沿轴。
any(*[, axis, bool_only, skipna])返回任何元素是否为 True，可能沿轴。
apply(func[, args, by_row])在 Series 的值上调用函数。
argmax([axis, skipna])返回 Series 中最大值的整数位置。
argmin([axis, skipna])返回 Series 中最小值的整数位置。
argsort([axis, kind, order, stable])返回对 Series 值进行排序的整数索引。
asfreq(freq[, method, how, normalize, ...])将时间序列转换为指定频率。
asof(where[, subset])返回where之前最后一个没有 NaN 的行（或行）。
astype(dtype[, copy, errors])将 pandas 对象强制转换为指定的数据类型
dtype。at_time(time[, asof, axis])选择一天中特定时间的值（例如，上午 9:30）。
autocorr([lag])计算滞后 N 的自相关。
between(left, right[, inclusive])返回一个布尔 Series，等价于 left <= series <= right。
between_time(start_time, end_time[, ...])选择一天中特定时间段内的值（例如，上午 9:00-9:30）。
bfill(*[, axis, inplace, limit, limit_area])使用下一个有效观测值填充 NA/NaN 值以填补空白。
case_when(caselist)在条件为 True 的地方替换值。
clip([lower, upper, axis, inplace])在输入阈值处修剪值。
combine(other, func[, fill_value])根据 func 将 Series 与 Series 或标量组合。
combine_first(other)用“other”中相同位置的值更新 null 元素。
compare(other[, align_axis, keep_shape, ...])与另一个 Series 进行比较并显示差异。
convert_dtypes([infer_objects, ...])将列从 numpy 数据类型转换为支持
pd.NA的最佳数据类型。copy([deep])复制此对象的索引和数据。
corr(other[, method, min_periods])计算与 other Series 的相关性，排除缺失值。
count()返回 Series 中非 NA/null 观测的数量。
cov(other[, min_periods, ddof])计算与 Series 的协方差，排除缺失值。
cummax([axis, skipna])返回 Series 的累积最大值。
cummin([axis, skipna])返回 Series 上的累积最小值。
cumprod([axis, skipna])返回 Series 的累积乘积。
cumsum([axis, skipna])返回 Series 的累积和。
describe([percentiles, include, exclude])生成描述性统计信息。
diff([periods])Series 元素的离散差分。
div(other[, level, fill_value, axis])返回 Series 与 other 的浮点数除法，逐元素进行（二元运算符 truediv）。
divide(other[, level, fill_value, axis])返回 Series 与 other 的浮点数除法，逐元素进行（二元运算符 truediv）。
divmod(other[, level, fill_value, axis])返回 Series 和 other 的整除和模，逐元素（二元运算符 divmod）。
dot(other)计算 Series 和 other 列的点积。
drop([labels, axis, index, columns, level, ...])返回移除指定索引标签的 Series。
drop_duplicates(*[, keep, inplace, ignore_index])返回移除重复值的 Series。
droplevel(level[, axis])返回删除指定索引/列级别的 Series/DataFrame。
dropna(*[, axis, inplace, how, ignore_index])返回一个移除了缺失值的新 Series。
duplicated([keep])指示 Series 中的重复值。
eq(other[, level, fill_value, axis])返回 Series 和 other 的相等比较，逐元素（二元运算符 eq）。
equals(other)测试两个对象是否包含相同元素。
ewm([com, span, halflife, alpha, ...])提供指数加权 (EW) 计算。
expanding([min_periods, method])提供扩展窗口计算。
explode([ignore_index])将列表类元素转换为行。
factorize([sort, use_na_sentinel])将对象编码为枚举类型或分类变量。
ffill(*[, axis, inplace, limit, limit_area])通过传播最后一个有效观测值来填充 NA/NaN 值。
fillna(value, *[, axis, inplace, limit])用value填充 NA/NaN 值。
filter([items, like, regex, axis])根据指定的索引标签子集化 DataFrame 或 Series。
返回第一个非缺失值的索引，如果没有找到值，则返回 None。
floordiv(other[, level, fill_value, axis])返回 Series 和 other 的整除，逐元素（二元运算符 floordiv）。
from_arrow(data)从 Arrow 对象（类数组）构造 Series。
ge(other[, level, fill_value, axis])返回 Series 和 other 的大于或等于比较，逐元素（二元运算符 ge）。
get(key[, default])获取对象中给定键（例如 DataFrame 列）的项。
groupby([by, level, as_index, sort, ...])使用映射器或列Series对Series进行分组。
gt(other[, level, fill_value, axis])返回 Series 和 other 的大于比较，逐元素（二元运算符 gt）。
head([n])返回前 n 行。
hist([by, ax, grid, xlabelsize, xrot, ...])使用 matplotlib 绘制输入 Series 的直方图。
idxmax([axis, skipna])返回最大值的行标签。
idxmin([axis, skipna])返回最小值行标签。
infer_objects([copy])尝试为 object 列推断更合适的数据类型。
info([verbose, buf, max_cols, memory_usage, ...])打印 Series 的简洁摘要。
interpolate([method, axis, limit, inplace, ...])使用插值方法填充 NaN 值。
isin(values)Series 中的元素是否包含在 values 中。
isna()检测缺失值。
isnull()Series.isnull 是 Series.isna 的别名。
item()将底层数据的第一个元素作为 Python 标量返回。
items()惰性地迭代 (index, value) 元组。
keys()返回 index 的别名。
kurt(*[, axis, skipna, numeric_only])返回所请求轴上的无偏峰度。
kurtosis(*[, axis, skipna, numeric_only])返回所请求轴上的无偏峰度。
返回最后一个非缺失值的索引，如果没有找到值，则返回 None。
le(other[, level, fill_value, axis])返回 series 和 other 的小于或等于（元素级）（二进制运算符 le）。
lt(other[, level, fill_value, axis])返回 Series 和 other 的小于比较，逐元素（二元运算符 lt）。
map([func, na_action, engine])根据输入映射或函数映射 Series 的值。
mask(cond[, other, inplace, axis, level])替换条件为 True 的值。
max(*[, axis, skipna, numeric_only])返回所请求轴上值的最大值。
mean(*[, axis, skipna, numeric_only])返回所请求轴上值的平均值。
median(*[, axis, skipna, numeric_only])返回所请求轴上值的中间值。
memory_usage([index, deep])返回 Series 的内存使用情况。
min(*[, axis, skipna, numeric_only])返回所请求轴上值的最小值。
mod(other[, level, fill_value, axis])返回 Series 和 other 的模，逐元素（二元运算符 mod）。
mode([dropna])返回 Series 的众数。
mul(other[, level, fill_value, axis])返回 Series 和 other 的乘法，逐元素（二元运算符 mul）。
multiply(other[, level, fill_value, axis])返回 Series 和 other 的乘法，逐元素（二元运算符 mul）。
ne(other[, level, fill_value, axis])返回 Series 和 other 的不等于比较，逐元素（二元运算符 ne）。
nlargest([n, keep])返回最大的 n 个元素。
notna()检测存在的（非缺失）值。
notnull()Series.notnull 是 Series.notna 的别名。
nsmallest([n, keep])返回最小的 n 个元素。
nunique([dropna])返回对象中唯一元素的数量。
pct_change([periods, fill_method, freq])当前元素与先前元素之间的分数变化。
pipe(func, *args, **kwargs)应用期望 Series 或 DataFrame 的链式函数。
pop(item)返回 item 并从 Series 中删除。
pow(other[, level, fill_value, axis])返回 Series 和 other 的指数幂，逐元素（二元运算符 pow）。
prod(*[, axis, skipna, numeric_only, min_count])返回所请求轴上值的乘积。
product(*[, axis, skipna, numeric_only, ...])返回所请求轴上值的乘积。
quantile([q, interpolation])返回给定分位数的值。
radd(other[, level, fill_value, axis])返回 Series 和 other 的加法，逐元素（二元运算符 radd）。
rank([axis, method, numeric_only, ...])沿轴计算数值数据排名（1 到 n）。
rdiv(other[, level, fill_value, axis])返回 Series 和 other 的浮点除法，逐元素（二元运算符 rtruediv）。
rdivmod(other[, level, fill_value, axis])返回 Series 和 other 的整除和模，逐元素（二元运算符 rdivmod）。
reindex([index, axis, method, copy, level, ...])使用可选的填充逻辑来统一 Series 的新索引。
reindex_like(other[, method, copy, limit, ...])返回一个具有与另一个对象匹配的索引的对象。
rename([index, axis, copy, inplace, level, ...])更改 Series 索引标签或名称。
rename_axis([mapper, index, axis, copy, inplace])为索引设置轴的名称。
reorder_levels(order)使用输入顺序重新排列索引级别。
repeat(repeats[, axis])重复 Series 的元素。
replace([to_replace, value, inplace, regex])用value替换to_replace中给定的值。
resample(rule[, closed, label, convention, ...])对时间序列数据进行重采样。
reset_index([level, drop, name, inplace, ...])生成一个索引重置后的新 DataFrame 或 Series。
rfloordiv(other[, level, fill_value, axis])返回 Series 和 other 的整除，逐元素（二元运算符 rfloordiv）。
rmod(other[, level, fill_value, axis])返回 Series 和 other 的模，逐元素进行计算（二元运算符 rmod）。
rmul(other[, level, fill_value, axis])返回 Series 和 other 的乘法，逐元素（二元运算符 rmul）。
rolling(window[, min_periods, center, ...])提供滚动窗口计算。
round([decimals])将 Series 中的每个值四舍五入到指定的小数位数。
rpow(other[, level, fill_value, axis])返回 Series 和 other 的指数幂，逐元素（二元运算符 rpow）。
rsub(other[, level, fill_value, axis])返回 Series 与 other 的元素级减法 (二进制操作符 rsub )。
rtruediv(other[, level, fill_value, axis])返回 Series 和 other 的浮点除法，逐元素（二元运算符 rtruediv）。
sample([n, frac, replace, weights, ...])从对象的轴返回随机样本项。
searchsorted(value[, side, sorter])查找元素应插入以保持顺序的索引。
sem(*[, axis, skipna, ddof, numeric_only])返回请求轴上未偏倚的均值标准误差。
set_axis(labels, *[, axis, copy])(已弃用) 为给定轴设置所需的索引。
set_flags(*[, copy, allows_duplicate_labels])返回一个带有更新标志的新对象。
shift([periods, freq, axis, fill_value, suffix])按所需的周期数移动索引，并可选择指定时间freq。
skew(*[, axis, skipna, numeric_only])返回请求轴上未偏倚的偏度。
sort_index(*[, axis, level, ascending, ...])按索引标签对 Series 进行排序。
sort_values(*[, axis, ascending, inplace, ...])按值排序。
squeeze([axis])将一维轴对象压缩成标量。
std(*[, axis, skipna, ddof, numeric_only])返回样本标准差。
sub(other[, level, fill_value, axis])返回 Series 和 other 的减法，逐元素（二元运算符 sub）。
subtract(other[, level, fill_value, axis])返回 Series 和 other 的减法，逐元素（二元运算符 sub）。
sum(*[, axis, skipna, numeric_only, min_count])返回请求轴上的值之和。
swaplevel([i, j, copy])交换
MultiIndex的级别 i 和 j。tail([n])返回最后 n 行。
take(indices[, axis])沿轴返回给定位置索引中的元素。
to_clipboard(*[, excel, sep])将对象复制到系统剪贴板。
to_csv([path_or_buf, sep, na_rep, ...])将对象写入逗号分隔值 (csv) 文件。
to_dict(*[, into])将 Series 转换为 {标签 -> 值} 字典或类字典对象。
to_excel(excel_writer, *[, sheet_name, ...])将对象写入 Excel 工作表。
to_frame([name])将 Series 转换为 DataFrame。
to_hdf(path_or_buf, *, key[, mode, ...])使用 HDFStore 将包含的数据写入 HDF5 文件。
to_json([path_or_buf, orient, date_format, ...])将对象转换为 JSON 字符串。
to_latex([buf, columns, header, index, ...])将对象渲染为 LaTeX tabular、longtable 或嵌套表。
to_list()返回值的列表。
to_markdown([buf, mode, index, storage_options])以 Markdown 友好的格式打印 Series。
to_numpy([dtype, copy, na_value])Series 或 Index 中值的 NumPy ndarray 表示形式。
to_period([freq, copy])将 Series 从 DatetimeIndex 转换为 PeriodIndex。
to_pickle(path, *[, compression, protocol, ...])将对象 pickle（序列化）到文件。
to_sql(name, con, *[, schema, if_exists, ...])将存储在 DataFrame 中的记录写入 SQL 数据库。
to_string([buf, na_rep, float_format, ...])渲染 Series 的字符串表示形式。
to_timestamp([freq, how, copy])在周期的 *开始* 处转换为 Timestamps 的 DatetimeIndex。
从 pandas 对象返回一个 xarray 对象。
tolist()返回值的列表。
transform(func[, axis])调用
func作用于 self，生成一个与 self 具有相同轴形状的 Series。transpose(*args, **kwargs)返回转置，按定义是自身。
truediv(other[, level, fill_value, axis])返回 Series 与 other 的浮点数除法，逐元素进行（二元运算符 truediv）。
truncate([before, after, axis, copy])截断 Series 或 DataFrame 在某个索引值之前和之后的部分。
tz_convert(tz[, axis, level, copy])将时区感知的轴转换为目标时区。
tz_localize(tz[, axis, level, copy, ...])将 Series 或 DataFrame 的时区感知索引本地化到目标时区。
unique()返回 Series 对象的唯一值。
unstack([level, fill_value, sort])Unstack（也称为 pivot）Series，其中 MultiIndex 用于生成 DataFrame。
update(other)使用传入 Series 的值修改 Series（原地）。
value_counts([normalize, sort, ascending, ...])返回一个包含唯一值计数的 Series。
var(*[, axis, skipna, ddof, numeric_only])返回请求轴上的未偏倚方差。
where(cond[, other, inplace, axis, level])替换条件为 False 的值。
xs(key[, axis, level, drop_level])从 Series/DataFrame 返回横截面。