Belajar Pandas Part II (Series)

Next kita lanjut part 2 nya ya,

Cara lain untuk berpikir tentang Deret adalah sebagai dict berurutan dengan panjang tetap, karena ini adalah pemetaan dari nilai indeks ke nilai data. Itu dapat diganti menjadi banyak fungsi yang mengharapkan dict:

In [18]: 'b' in obj

Out[18]: True

In [19]: 'e' in obj

Out[19]: False

Jika kita memiliki data yang terkandung dalam dict Python, kita dapat membuat Series darinya dengan melewati dict:

In [20]: sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}

In [21]: obj3 = pd.Series(sdata)

In [22]: obj3

Out[22]:

Ohio                    35000

Oregon               16000

Texas                   71000

Utah                    5000

 

Ketika hanya melewati dict, indeks di Series yang dihasilkan akan memiliki function dict di urutan yang diurutkan.

In [23]: states = ['California', 'Ohio', 'Oregon', 'Texas']

In [24]: obj4 = pd.Series(sdata, index=states)

In [25]: obj4

Out[25]:

California     NaN

Ohio             35000

Oregon         16000

Texas             71000

 

Dalam hal ini, 3 nilai yang ditemukan di sdata ditempatkan di lokasi yang sesuai, tetapi karena tidak ada nilai untuk 'California' yang ditemukan, itu muncul sebagai NaN (bukan angka) yang dianggap dalam pandas untuk menandai nilai yang hilang atau NA. kita akan menggunakan istilah "missing" atau "NA" untuk merujuk pada data yang hilang. Fungsi isnull dan notnull di pandas digunakan untuk mendeteksi data yang hilang:

In [26]: pd.isnull(obj4)

Out[26]:

California     True

Ohio             False

Oregon         False

Texas            False

In [27]: pd.notnull(obj4)

Out[27]:

California     False

Ohio             True

Oregon         True

Texas            True

 

Series juga memiliki ini sebagai metode instan:

In [28]: obj4.isnull()

Out[28]:

California     True

Ohio             False

Oregon         False

Texas            False

Fitur Series penting untuk banyak aplikasi adalah ia secara otomatis menyelaraskan/alignment data yang diindeks secara berbeda dalam operasi aritmatika:

In [29]: obj3

Out[29]:

Ohio         35000

Oregon     16000

Texas        71000

Utah         5000

 In [30]: obj4

Out[30]:

California     NaN

Ohio             35000

Oregon         16000

Texas            71000

 

 

In [31]: obj3 + obj4

Out[31]:

California     NaN

Ohio             70000

Oregon         32000

Texas           142000

Utah             NaN

Baik objek Series itu sendiri dan indeksnya memiliki atribut, yang terintegrasi dengan

area utama fungsionalitas pandas lainnya:

In [32]: obj4.name = 'population'

In [33]: obj4.index.name = 'state'

In [34]: obj4

Out[34]:

state

California            NaN

Ohio                    35000

Oregon               16000

Texas                   71000

Name:   population

Indeks Series dapat diubah di tempat dengan penugasan/assignment:

In [35]: obj.index = ['Bob', 'Steve', 'Jeff', 'Ryan']

In [36]: obj

Out[36]:

Bob      4

Steve    3

Jeff        -6

Ryan      9