Pandas Series深度解析：数据可视化与常用函数实战指南

一、数据可视化

1.1、plot

        Series.plot 方法是用来绘制Series数据的可视化图表的，该方法提供了灵活的接 口，允许用户通过不同的参数来定制图表的类型、样式、布局等，其用法与 Matplotlib中的plot相同。

Series.plot(*args, **kwargs)

1.2、hist

        用于绘制Series数据直方图的方法。这个方法提供了多种参数来定制直方图的外观和 样式。

Series.hist(by=None, ax=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, figsize=None, bins=10, backend=None, legend=False, **kwargs)

1.3、绘图集合 

1.3.1、准备工作

import pandas as pd  
import matplotlib.pyplot as plt  

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

s = pd.Series([1, 3, 2, 4, 5], index=['a', 'b', 'c', 'd', 'e'])  

1.3.2、绘制折线图  

plt.figure(figsize=(8, 4))  
plt.plot(s.index, s.values, marker='o', color='r', linestyle='--', linewidth=2)  
plt.title('折线图', fontsize=14)  
plt.xlabel('索引', fontsize=12)  
plt.ylabel('值', fontsize=12)  
plt.grid(True, linestyle='--', alpha=0.7)  
plt.tight_layout()  
plt.show()  

1.3.3、绘制柱状图  

plt.figure(figsize=(8, 4))  
plt.bar(s.index, s.values, color='b', alpha=0.7)  
plt.title('柱状图', fontsize=14)  
plt.xlabel('索引', fontsize=12)  
plt.ylabel('值', fontsize=12)  
plt.grid(axis='y', linestyle='--', alpha=0.7)  
plt.tight_layout()  
plt.show()  

1.3.4、绘制散点图  

plt.figure(figsize=(8, 4))  
plt.scatter(s.index, s.values, color='g', s=100)  # s为点的大小  
plt.title('散点图', fontsize=14)  
plt.xlabel('索引', fontsize=12)  
plt.ylabel('值', fontsize=12)  
plt.grid(True, linestyle='--', alpha=0.7)  
plt.tight_layout()  
plt.show()  

1.3.5、绘制直方图  

plt.figure(figsize=(8, 4))  
plt.hist(s.values, bins=3, alpha=0.7, color='purple', edgecolor='black')  
plt.title('直方图', fontsize=14)  
plt.xlabel('值', fontsize=12)  
plt.ylabel('频率', fontsize=12)  
plt.grid(axis='y', linestyle='--', alpha=0.7)  
plt.tight_layout()  
plt.show()  

1.3.6、绘制箱线图  

plt.figure(figsize=(8, 4))  
plt.boxplot(s, patch_artist=True, boxprops=dict(facecolor='orange'), medianprops=dict(color='black'))  
plt.title('箱线图', fontsize=14)  
plt.ylabel('值', fontsize=12)  
plt.grid(axis='y', linestyle='--', alpha=0.7)  
plt.tight_layout()  
plt.show()

二、其他常用方法

2.1、 unique

        该函数用于返回 Series 中的唯一值。这个方法返回一个数组，其中包含了 Series 中 所有唯一的值。数组中的值是按照它们在原始 Series 中首次出现的顺序排列的。

Series.unique()

import pandas as pd

# 创建一个 Series
s = pd.Series(['apple', 'banana', 'apple', 'orange', 'banana', 'banana'])

# 获取唯一值
unique_values = s.unique()

# 输出唯一值
print(unique_values)
print(type(unique_values))
print(len(unique_values))
num = s.nunique()
print(num)

2.2、 nunique

        该函数用于计算 Series 中唯一值的数量。这个方法返回一个整数，表示 Series 中唯 一值的数量。

Series.nunique(dropna=True)

import pandas as pd
# 创建一个 Series
s = pd.Series(['apple', 'banana', 'apple', 'orange', 'banana', 'banana'])
# 计算唯一值的数量（排除 NaN）
unique_count = s.nunique(dropna=True)
# 输出唯一值的数量
print(unique_count)

2.3、 value_counts

        该方法用于计算 Series 中每个值的出现次数。这个方法返回一个包含每个唯一值及 其对应出现次数的 Series。

Series.value_counts(normalize=False, sort=True, ascending=False, bins=None, dropna=True)

import pandas as pd

# 创建一个 Series
s = pd.Series(['apple', 'banana', 'apple', 'orange', 'banana', 'banana'])

# 计算每个值的出现次数
value_counts = s.value_counts(ascending=True)

# 输出每个值的出现次数
print(value_counts)

2.4、 describe

        该方法用于生成描述性统计信息。这个方法返回一个包含计数、均值、标准差、最小 值、25% 分位数、中位数、75% 分位数和最大值的 Series。

Series.describe(percentiles=None, include=None, exclude=None)

import pandas as pd

# 创建一个 Series
s = pd.Series([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

# 生成描述性统计信息
description = s.describe()

# 输出描述性统计信息
print(description)
 

2.5、 copy

        该函数用于创建 Series 对象的一个副本。

Series.copy(deep=True)

import pandas as pd

# 创建一个 Series
original_series = pd.Series([1, 2, 3, 4, 5])

# 创建一个深拷贝
deep_copied_series = original_series.copy()

# 创建一个浅拷贝
shallow_copied_series = original_series.copy(deep=False)

# 修改深拷贝中的数据
deep_copied_series[0] = 999

# # 输出原始 Series 和深拷贝后的 Series
# print("Original Series:\n", original_series)
# print("Deep Copied Series:\n", deep_copied_series)

# 修改浅拷贝中的数据
shallow_copied_series[1] = 888

# 输出原始 Series 和浅拷贝后的 Series
print("Original Series after shallow copy modification:\n", original_series)
print("Shallow Copied Series:\n", shallow_copied_series)

2.6、 reset index

        该函数用于重置 Series 的索引，将原来的索引转换为一个列，并将一个新的默认整 数索引赋给 Series。

Series.reset_index(level=None, *, drop=False, name=no_default, inplace=False, allow_duplicates=False)

import pandas as pd
import numpy as np

# 创建一个简单的Series对象
data = pd.Series(np.random.randint(1, 100, 5), index=['c', 'a', 'e', 'b', 'd'])


# 对Series进行排序
sorted_series = data.sort_values()

# 重置索引
reset_indexed_series = sorted_series.reset_index(drop=False)
print("排序后的Series：")
print(sorted_series)
print("重置索引后的Series：")
print(reset_indexed_series)

2.7、 info

        用于显示Series的概要信息的方法。这个方法提供了关于Series的元数据，包括数据 类型、非空值的数量、内存使用情况等。

Series.info(verbose=None, buf=None, max_cols=None, memory_usage=None, show_counts=True)

import numpy as np
import pandas as pd

# 创建一个示例Series
s = pd.Series([1, 2, np.nan, 4, 5], name='example_series', index=['a', 'b', 'c', 'd', 'e'])


# 显示Series的概要信息
print(s.info())

2.8、 apply

        对 Series 中的每个元素应用一个函数，并返回一个结果 Series。

Series.apply(func, convert_dtype=True, args=(), **kwargs)

import pandas as pd

# 创建一个Series
series = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'])

# 使用 apply 方法结合 lambda 函数，对 series 中的每个元素执行平方操作
res = series.apply(lambda x: x ** 2)

# 打印结果，输出每个元素的平方值
print(res)
 

2.9、 map

        对 Series 中的每个元素应用Series 的每个一个映射，它允许你将一个函数应用到 元素上，或者将一个字典或 Series 映射到 Series.map(arg, na_action=None) Series 的值上。

Series.map(arg, na_action=None)

import pandas as pd

# 创建一个 Series
s = pd.Series([1, 2, 3, 4, 5])

# 定义一个函数，用于将值翻倍
def double(x):
    return x * 2

# 使用 map 方法应用这个函数
s_doubled = s.map(double)
print(s_doubled)

import pandas as pd

# 创建一个映射字典
grade_mapping = {
    90: 'A',
    80: 'B',
    70: 'C',
    60: 'D',
    0: 'F'
}

# 创建一个成绩的 Series
grades = pd.Series([80, 92, 77, 80, 100])

# 使用 map 方法应用这个字典
grades_mapped = grades.map(grade_mapping)
print(grades_mapped)

import pandas as pd
 
# 创建一个名为series1的Series对象
series1 = pd.Series([50, 60, 70, 80, 90], index=['a', 'b', 80, 'd', 'e'])
 
# 创建一个名为grades的Series对象，代表成绩数据
grades = pd.Series([80, 92, 77, 59, 100], index=[0, 1, 2, 3, 4])
 
print(series1)
print(grades)
 
# 使用grades的map方法，将grades中的每个值作为键，去series1中查找对应的键值并返回
res = grades.map(series1)
 
# 打印输出新生成的Series对象res
print(res)

三、思维导图 

作者：蹦蹦跳跳真可爱589