一、Series简介
- Series是一种类似于一维数组的对象，是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据也可产生简单的Series对象。注意：Series中的索引值是可以重复的。
二、Series创建
- Series通过numpy数组，列表及字典等多重方式进行创建
- 当使用字典创建时，Series会使用字典的键作为数组的索引值
- 当使用numpy和列表创建时，Series会以它们的序列号作为索引值，可用index参数自定义索引值
- Series数组创建后，可以通过.index属性重建索引值
import pandas as pd
a=pd.Series([87,95,84])
print("列表方式（默认索引）：\n",a)
b=pd.Series([87,95,84],index=['小红','小兰','小绿'])
print("列表方式（自定义索引）：\n",b)
c=pd.Series({'小红':87,'小兰':95,'小绿':84})
print("字典方式：\n",c)
a.index=(['小红','小兰','小绿'])
print("对a重建索引：\n",a)
>>>
列表方式（默认索引）：
0 87
1 95
2 84
dtype: int64
列表方式（自定义索引）：
小红 87
小兰 95
小绿 84
dtype: int64
字典方式：
小兰 95
小红 87
小绿 84
dtype: int64
对a重建索引：
小红 87
小兰 95
小绿 84
dtype: int64
三、Series查询
四、Series运算
- 同样的，Series保留了大量Numpy的运算机制，它们在Series中均可以使用。
- 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。
- 在操作Series的时候，基本上可以把Series看成NumPy中的ndarray数组来进行操作。（看Numpy运算方法的，点击这里）
五、缺失值检测
- pandas中的isnull和notnull两个函数可以用于在Series中检测缺失值，这两个函数的返回时一个布尔类型的Series
import pandas as pd
a = pd.Series({'小红': 87, '小兰': 95, '小绿': 84, '小英': 99})
new_index = ['小红', '小兰', '小丸子', '小绿', '小英']
a = pd.Series(a, index=new_index)
print("带缺失值的数组：\n", a)
print("列出缺失值项：\n", a[pd.isnull(a)])
print("列出有效值项：\n", a[pd.notnull(a)])
>>>
带缺失值的数组：
小红 87.0
小兰 95.0
小丸子 NaN
小绿 84.0
小英 99.0
dtype: float64
列出缺失值项：
小丸子 NaN
dtype: float64
列出有效值项：
小红 87.0
小兰 95.0
小绿 84.0
小英 99.0
dtype: float64
六、自动对齐
- 当多个series对象之间进行运算的时候，如果不同series之间具有不同的索引值，那么运算会自动对齐不同索引值的数据，如果某个series没有某个索引值，那么最终结果会赋值为NaN。
import pandas as pd
a = pd.Series([12, 23, 34], index=['p1', 'p2', 'p3'])
b = pd.Series([56, 78, 90, 38], index=['p2', 'p3', 'p4', 'p5'])
print("自动对齐索引，对不上的赋值NaN：\n", a + b)
>>>
自动对齐索引，对不上的赋值NaN：
p1 NaN
p2 79.0
p3 112.0
p4 NaN
p5 NaN
dtype: float64
七、数组名称
- Series对象本身以及索引都具有一个name属性，默认为空，根据需要可以进行赋值操作。
import pandas as pd
a = pd.Series({'小红': 87, '小兰': 95, '小绿': 84, '小英': 99})
a.values.name='成绩'
a.name='考试成绩'
a.index.name='姓名'
print("补全名称的数组：\n", a)
>>>
补全名称的数组：
姓名
小兰 95
小红 87
小绿 84
小英 99
Name: 考试成绩, dtype: int64
