Series : 1D data구조 for Pandas

https://blog.pages.kr/3196

Series

• pandas의 1D data를 위한 핵심 데이터 구조
• 인덱스(index)와 값(value)으로 구성된 labeled 1차원 데이터 구조를 관리
  • Index : 각 데이터 포인트의 레이블
    • 흔히, 0부터 시작하는 정수 index로 접근: .iloc
    • 또는 명시적으로 할당된 label을 통해 접근: .loc
  • Value : 실제 데이터 값
    • 모든 값은 동일한 데이터 타입(dtype)을 가짐
    • 선택적으로 Series는 name 속성을 가질 수 있음 (Series를 가리키는 이름임.)

참고로 DataFrame은 2D labeled tabular data structure로, 여러 개의 Series가 열(column)로 결합된 형태라고 볼 수 있음. 즉, DataFrame의 각 column은 하나의 Series임.

---

1. Series 생성.

 

참고: DataFrame 생성.

2025.08.21 - [Python/pandas] - [Pandas] DataFrame 생성-다른 데이터 타입의 객체로부터

[Pandas] DataFrame 생성-다른 데이터 타입의 객체로부터

 

---

1-1. 리스트로 생성.

import pandas as pd
import numpy as np

# 리스트로 생성
s1 = pd.Series([10, 20, 30, 40, 50])
print("리스트로 생성:")
print(s1)

---

1-2. index를 지정하여 생성.

s2 = pd.Series([85, 92, 98], 
               index=['김철수', '김영희', '김행근'],
               name='점수')
print(s2)

---

1-3. 딕셔너리로 생성

dict_data = {'서울': 9765, '부산': 3419, '인천': 2958, '대구': 2427}
s3 = pd.Series(dict_data, name='인구(천명)')
print(s3)

---

2. Series의 Attributes

print(f"값(values)  : {s2.values}") # ndarray
print(f"인덱스(index): {s2.index}")
print(f"이름(name)  : {s2.name}")
print(f"크기(size)  : {s2.size}")
print(f"데이터 타입(dtype): {s2.dtype}")

• .values 보다는 .to_numpy(dtype='float64', copy='True')가 권장됨.
• 값을 읽는 경우만 .values 또는 .to_numpy()를 사용하고
• 값을 바꿔야 하는 경우는 indexer를 사용하거나 filtering 또는 apply사용.

2025.08.21 - [Python/pandas] - [Pandas] DataFrame : Basic Attributes and Exploration Methods

[Pandas] DataFrame : Basic Attributes and Exploration Methods

---

3. Data접근

일반적으로 pandas에서는 데이터 접근을 위해서 indexer를 제공함.

indexer는 .iloc , .loc , .at , .iat 이 있음

2025.08.22 - [Python/pandas] - [Pandas] Indexer - loc, iloc, at, iat

[Pandas] Indexer - loc, iloc, at, iat

3-1. index사용.

Indexer .loc을 사용하는 경우와 동일.

• 일반적인 square bracket을 사용하여 접근시 index를 이용한 접근임.

print("김철수의 점수:", s2['김철수'])
print("김영희의 점수:", s2['김영희'])

---

3-2. 위치(정수)로 접근

Indexer .iloc을 사용한 접근!

print("첫 번째 값:", s2.iloc[0])
print("두 번째와 세 번째 값:")
print(s2.iloc[1:3])

---

3-3. 여러 인덱스 선택

print("특정 인덱스들 선택:")
print(s2[['김철수', '김행근']])

---

4. 데이터 필터링

condition에 의해 boolean mask(Series객체)가 생성되며 이를 이용한 indexing임.

• 여러개의 condition을 사용시 각각을 ()로 감싸야 함.
• &, |, ~ 를 사용하여 condition 묶음: (and,or,not은 사용불가.)

print("점수가 85 이상인 학생:")
print(s2[s2 >= 85])
print("\n점수가 80~90 사이인 학생:")
print(s2[(s2 >= 80) & (s2 < 90)])

 

2025.08.28 - [Python/pandas] - [Pandas] Boolean Mask 와 where()/mask()

[Pandas] Boolean Mask 와 where()/mask()

---

5. 산술 연산

vectorized operation 으로 iteration을 이용하는 것보다 빠름.

print("모든 점수에 5점 추가:")
print(s2 + 5)
print("\n점수를 0.1배로 환산:")
print(s2 * 0.1)
print("\n두 Series 더하기:")
s4 = pd.Series([5, 3, 2], index=['김철수', '김영희', '김행근'])
print(s2 + s4)

2024.03.19 - [Python] - [Tensor] vectorized op. (or universal func)

[Tensor] vectorized op. (or universal func)

---

6. 기술 통계

print(f"평균: {s2.mean():.2f}")
print(f"중앙값: {s2.median()}")
print(f"표준편차: {s2.std():.2f}")
print(f"최댓값: {s2.max()}")
print(f"최솟값: {s2.min()}")
print(f"합계: {s2.sum()}")
print("\n전체 통계 요약:")
print(s2.describe())

2025.08.21 - [Python/pandas] - [Pandas] Reduction 과 Aggregation

[Pandas] Reduction 과 Aggregation

---

7. sorting

print("값 기준 오름차순:")
print(s2.sort_values())
print("\n값 기준 내림차순:")
print(s2.sort_values(ascending=False))
print("\n인덱스 기준 정렬:")
print(s2.sort_index())

---

8. missing value 처리.

s5 = pd.Series([100, np.nan, 85, 90, np.nan, 78], 
               index=['A', 'B', 'C', 'D', 'E', 'F'])
print("결측값이 있는 Series:")
print(s5)
print(f"\n결측값 개수: {s5.isnull().sum()}")
print("\n결측값 제거:")
print(s5.dropna())
print("\n결측값을 평균으로 채우기:")
print(s5.fillna(s5.mean()))

2025.08.24 - [Python/pandas] - [Pandas] missing value 확인: 결측치 확인

[Pandas] missing value 확인: 결측치 확인

2024.01.09 - [Python/pandas] - [pandas] dropna : missing value 처리 (삭제)

[pandas] dropna : missing value 처리 (삭제)

---

9. apply와 map 메서드

.apply() 메서드

• Series의 각 요소에 인자로 넘겨진 함수를 적용
• 해당 함수에 의해 각 요소가 변환된 새로운 Series를 반환.
• DataFrame 객체에서도 지원.

map() 메서드

• Series의 각 값을 dict, Series, 또는 callable 객체를 사용하여 다른 값으로 매핑(치환)하는 메서드.
• Series에만 존재함. DataFrame에선 제거된 상태.
• callable의 경우엔 .apply()와 기능적 차이가 없음.

print("등급 매기기 (apply 사용):")
grades = s2.apply(lambda x: 'A' if x >= 90 else 'B' if x >= 80 else 'C')
print(grades)
print("\n")
print("매핑 (map 사용):")
grade_map = {85: 'B+', 92: 'A', 78: 'C+', 95: 'A+', 88: 'B+'}
print(s2.map(grade_map))

2025.08.20 - [Python/pandas] - [Pandas] .map() 과 .apply() 메서드

[Pandas] .map() 과 .apply() 메서드

---

10. 고유값과 빈도수

.unique() 메서드:

• Series에서 중복을 제거한 고유한 값들을 numpy 배열로 반환.

value_counts() 메서드:

• Series에서 각 고유 값의 출현 빈도수를 계산
• 이를 내림차순으로 정렬된 Series로 반환.

s6 = pd.Series(['서울', '부산', '서울', '대구', '부산', '서울', '인천', '부산'])
print("도시 데이터:")
print(s6)
print("\n고유값:")
print(s6.unique())
print("\n각 값의 빈도:")
print(s6.value_counts())

2025.08.23 - [Python/pandas] - [Pandas] unique(), value_counts(), nunique()

[Pandas] unique(), value_counts(), nunique()

---

11. String accessor: .str

Series 객체의 .str은 문자열 접근자(String Accessor).

문자열 데이터를 담고 있는 Series에서 문자열 메서드들을 벡터화된 방식으로 적용할 수 있게 해주는 특수한 attribute.

Series가 문자열 타입일 때만 사용할 수 있으며,
숫자 데이터에는 사용할 수 없음.

s7 = pd.Series(['apple', 'banana', 'cherry', 'date'])
print("원본:")
print(s7)
print("\n대문자 변환:")
print(s7.str.upper())
print("\n문자열 길이:")
print(s7.str.len())
print("\n특정 문자 포함 여부:")
print(s7.str.contains('a'))

숫자를 데이터로 가지는 경우, 이를 문자열로 변환후 처리할 수도 있음:

s = pd.Series([1, 2, 3, 4, 5])

# 방법 1: astype()으로 문자열 변환
s.astype(str).str.len()  # ['1', '2', '3', '4', '5'] 각각의 길이

# 방법 2: 숫자를 포맷팅
s.astype(str).str.zfill(3)  # ['001', '002', '003', '004', '005']

참고로 dtype별 accessor는 다음과 같음;

타입별 전용 접근자:

• .str : 문자열 (string, object)
• .dt : 날짜/시간 (datetime, timedelta)
• .cat : 카테고리 (category)

참고로, Accessor (접근자)는 Indexer (데이터를 선택 및 접근하는데 사용)와 달리 특정 데이터 처리를 위한 메서드를 제공하는 속성을 가리킴

• 특정 데이터 타입에 특화된 메서드 모음을 제공
• 예: .str, .dt, .cat
• 데이터를 변환하거나 조작하는 메서드들를 가짐.

 

2025.08.22 - [Python/pandas] - [Pandas] Indexer - loc, iloc, at, iat

[Pandas] Indexer - loc, iloc, at, iat