前面讲了Pandas中Series的基本数据结构，创建方法以及索引等基本知识，今天我们再来讲一下Series的基本技巧
（1）查看数据
查看Series的数组可以从头开始查看也可以从末尾开始查看
s = pd.Series(np.random.rand(50))#创建Series数据
print(s.head(10))#查看前10个数据
print(s.tail())#查看后5条数据输出结果：
head（）和tail（）都是默认查看5条数据
（2）重新索引reindex
.reindex将会根据索引重新排序，如果当前索引不存在，则引入缺失值，也就是说这个函数可以改变Series的index，并自动根据index的值重新排序，当增加索引时，会自动填补空值
s = pd.Series(np.random.rand(3), index = ['a','b','c'])
print(s)
s1 = s.reindex(['c','b','a','d'])
print(s1)输出结果：
当然了，我们也可以自定义数据来取代空值
s2 = s.reindex(['c','b','a','d'], fill_value = 0)
print(s2)
# fill_value参数：填充缺失值的值输出结果：
（3）Series对齐
Series数据不同于ndarray，Serie是的操作会根据index自动对齐
s1 = pd.Series(np.random.rand(3), index = ['Jack','Marry','Tom'])
s2 = pd.Series(np.random.rand(3), index = ['Wang','Jack','Marry'])
print(s1+s2)输出结果：
我们可以看到，两个Series数据中，只有个别index相同，所以合并的时候会自动保存第二个数组中的数据，而不同的index对应的value则为NaN
（4）删除–drop（）
drop（）函数对于数据清洗十分重要，可以直接删掉缺失值和空值以及特定值。
s = pd.Series(np.random.rand(5), index = list('ngjur'))
print(s)
s1 = s.drop('n')#删掉index=n对应的值
s2 = s.drop(['g','j'])
print(s1)
print(s2)
print(s)输出结果：
要注意drop（）会生成新的Series
（5）添加
添加数值可以通过下标索引/index索引直接添加，也可以通过append（）方法添加
s1 = pd.Series(np.random.rand(5))
s2 = pd.Series(np.random.rand(5), index = list('ngjur'))
print(s1)
print(s2)
s1[5] = 100
s2['a'] = 100
print(s1)
print(s2)
print('-----')
# 直接通过下标索引/标签index添加值输出结果：
通过下标索引/index索引直接添加呢会改变原来Series 的结构，但是通过append添加则是生成新的Series
s3 = s1.append(s2)
print(s3)
print(s1)输出结果：
今天的分享就到这里啦，明天我们讲一下DataFrame，有问题的话可以私聊我哦，看到都会回的，没回就是在写作业啦~
我是一位211高校在读的本科生，是个耿直GIRL，对数据分析比较感兴趣，去年拿到了数学建模国家一等奖，今年参加了美赛还没结果，参加比赛选的题型都是大数据型，用过Excel，Spss，Lingo，MATLAB做数据分析，现在觉得Python比较高效，做数据可视化也非常方便，每天都在坚持学习
