写在前面：
大家好！我是Kindombo。很久之前，我就想写一系列关于Python数据分析的文章，一方面，当今我们已进入大数据时代，对数据的把控并参透其背后的规律对企业，国家都有着巨大的价值。而随着时代的转型，传统企业的主要业务也将从业务需求逐渐转向数据驱动业务，我坚信，未来必将是大数据的时代！而作为如今的我们，掌握数据分析这项技能更将成为个人的核心竞争力之一。哈哈，说了这么多废话，我还是好好说我准备这个专栏的看法，首先，我写这个专栏文章的目的肯定首要的是让大家都掌握（至少认真看过我写的文章，并实操的伙伴）Python数据分析这项基本技能。除此之外在写这系列文章的时候，我想我将会以一种全新的视角写这系列的文章，（保证绝对不是填鸭式的写作）。希望能够给各位小伙伴以思想启迪。具体我将融合我所学其他科目的综合思维(嘿嘿，具体请看后面慢慢道来），总之，好好学下来，你一定不会后悔！具体来说说这个专栏的目标：
对于计算机相关专业：
全面掌握Python数据分析技巧及思想（并掌握若干Python知识）
全面掌握Python面向对象调用函数的思想，并能推而广之（运用这些思想去学C++,Java等语言）
掌握若干数学建模思想
训练系统思维，整体布局能力得到全面提升。
领略从数据分析结果洞察趋势的思想并训练数据驱动业务的能力对于经济学相关专业：
熟练掌握利用Python分析问题的能力
领略Python面向对象之美
训练系统分析思维
培养金融相关数据的敏感性，增强就业竞争力对于其余专业：
学会Python如何解决实际问题
领会Python之美，见识Python的威力
领略相关计算思想和计算机系统思维
训练系统思维，提升认知多说一句，鄙人认为以上最重要的是，对我而言，是系统思维，把控大局的能力！这是我近期一直在努力培养的能力，但我觉得可能短时间内难以达成，但是我将持续为之而努力！！！好啦，废话不多说，万丈高楼平地起，让我们正式开始吧！
Series对象
好啦！现在时间是2021年3月8日凌晨1：56分，让我们先来看Series对象。首先，要进行数据分析，我们的首先问题是，掌握一些必要的工具。其实可以将数据分析看成是挖土，哈哈，那么锄头就是你的工具，利用它你可以对泥土进行挖掘、翻盖等操作。嘿嘿，那么，对于数据分析而言，它的其中一个工具就是Series，但是这个工具就牛逼了，它不仅可以实现对数据的存储，还可以对数据的各种读取操作和简单的运算，也就是对数据实现存储和加工。哈哈，那么Series对象到底是什么呢？（这里的对象可不是npy哈，想起之前一男孩对着他npy讲面向对象编程（莫名心酸。。。）哈哈）别急，且听我慢慢道来。在这里，可能有相当一部分同学没有接触过面向对象编程，你可以暂时把Series对象看成是人，大象之类的实体。那么既然他是实体，那么他就有相应的属性和动作。（就比如人你总是要吃饭，干各种事儿的吧。。。人当然还有美女啊啥的，这些我们将它称作人的属性）于是乎，对于Series也有一些属性和动作（方法），由于它是操作数据对象的，因此它的属性和方法也将和数据有关。以下我将正式介绍它的相关用法和注意事项。干货来了！接住！
1.如何生成Series对象？
首先我们需要导入一个包，这个包叫做Pandas(可不是大熊猫哈，虽然我很想这样叫，想想熊猫也可以做数据分析，多牛逼！）OK,对于包你可能不太理解，这里你可以把它想成是一个大仓库，这个仓库主要的功能是数据分析相关操作，现在我们就在这个仓库里取出Series这个工具来进行相关操作。
代码如下：
import pandas as pd
x=pd.Series([1,2,3,4]) #从列表创建Series对象，索引方式为下标和index
x如上图所示，我们借助一维数组生成了一个Series对象，并打印x的结果。如下图：
可以看到结果是1，2，3，4；并且自动生成了标签，（和数组规则类似）。那么Series和数组有啥区别嘞？ok，Series不仅可以利用下标进行索引，还可以自己定义索引并对其元素对象进行引用。比如：
sr=pd.Series([1,2,3,4,5],index=['a','b','c','d','e']) #访问特性
sr这里我们首先利用数组生成了一个Series对象，并自己给它定义了标签值，打印sr，结果见下图：
嘿嘿，怎么样？牛逼吧！进一步，我们用更规范的语言来定义Series对象，它其实是列表和字典的结合体，嘿嘿，这里体现了更高级的抽象层次（get到了吗？）那么，我们自然还可以通过字典来创建Series对象，如下所示：
#字典特性
sr1=pd.Series({'a':1,'b':2}) #通过字典创建Series对象
print(sr1)输出结果为：
好啦，现在让我们来分别使用下标和标签看一下结果。
print(sr[0]) #用下标访问值
print(sr['a']) #用索引访问值打印结果为：
嘿嘿！了解了吗？不过Series可不仅仅支持以上索引方式，它还支持切片呢！让我们来看看，假如我们想获取Series的前三个元素值，我们可以这样：
print(sr[0])
print(sr[[0,1,2]]) #索引方式
print(sr[0:3]) #切片打印结果为：
可以看到它把前三个数的键、值都打印出来了。这样我们就可以实现对数据的连续截取工作。但是，假如我们想单独获取它的索引和值，我们该怎么做呢？
#分别获取索引和值
print(sr.index) #获取索引
print(sr.values) #获取值结果为：
看到了吧，我们只需要调用sr对象的index和values方法就可得到它的标签和值。这对一些只关注值的情况下尤为有用。那么，除了这种单独获得值的方式外，我们还可以怎样获得它的值呢，for循环！看一下代码：
for i in sr:
print(i) #打印结果与字典不同，字典打印结果将是它的索引值，提供便利
dict1={'a':1,'b':2,'c':3}
for i in dict1:
print(i) #字典将打印键值而非结果以上代码我们首先对sr进行遍历，然后自己生成了一个字典对象进行比较：
结果如下：
嘿嘿，可以看到，for循环Series对象将打印它的值，而对于字典来说将打印它的索引！所以使用Series对象我们就可以在遍历时直接获取结果而过滤索引值，是不是很方便呢？嘿嘿，谈到过滤，Series对象还支持布尔运算呢，这意味我们可以直接指定想要获取值的范围，比如：
sr[sr>0] #布尔型过滤打印结果为:
该操作自动将大于0的数筛出，是不是很方便呢？！哈哈
那么既然如此，Series对象支持布尔运算，那我可不可以支持一下四则运算呢？加减乘除行不行！来看：
n1=sr*2
n2=sr+sr
n3=sr+2
print(n1)
print(n2)
print(n3) #所支持的标量运算运算结果为：
嘿嘿，可以看到它支持这些运算，尤其注意当一个Series对象加上一个标量时竟然是给它每个元素值都加上这个标量值，这里是真的牛逼了！因为常规语言是不支持不同类型对象进行运算的。。。（除非重载，嘿嘿，我们大概知道它的原理了吧！）
谈完了以上基本操作，让我们来谈点更高级的。
眼尖的小火伴估计发现了，在我们对Series对象指定的标签和下标都是整数时，会发生什么情况呢？换句话说，假如我用下标-1去对sr对象进行索引，我们可以得到sr对象的最后一个元素吗？让我们来看看：
#通过整数索引出现可能会出现的一些问题
sr2=pd.Series(np.arange(10))
print(sr2)
print('\n')
sr3=sr2[5:].copy()
sr3我们首先生成了一个sr3对象，打印结果如下：
可接下来我们进行sr3[-1]会得到预期结果9吗？
print(sr3[-1])#常规是索引，即最后一个，但是会报错，why? 原因是当整数作为索引时，他会将其视为标签结果是啥？
嘿嘿，果然报错了！原因是-1 is not in range，为什么呢？原来是Series对象在整数做索引时，默认将其视为标签，而sr3得标签分别为5，6，7，8，9,所以-1自然不在序列中！所以就报错了！那怎么获得最后一个元素呢？简单呗，直接sr3[9]，嘿嘿，这当然可以！但是，我们假如不知道最后一个元素得标签呢？嘿嘿，眼尖得小伙伴估计看到了，Series默认这种模式，那我们可以改变这种模式！
# loc方法一定解释为标签，这个sr3.loc[-1] 和sr3[-1]没有差异
# iloc一定解释为下标，因此将会输出正确的运算结果
print(sr3.iloc[-1]) #解释为下标，因此会输出sr3的最后一个序列，可见运行成功iloc方法可以将整数转为下标，因此以上结果输出为：
了解了吗？！所以整数索引时务必注意！
接下来我们再看一下它的数据对齐功能！
#Series的数据对齐
sr4=pd.Series([12,23,34],index=['c','a','d'])
sr5=pd.Series([11,20,10],index=['d','c','a'])
sr4+sr5 #猜猜会发生什么，嘿嘿，请看以下结果，它将两个数据对齐了，会按照索引对齐之后再计算结果为：
哦吼，他自动将相同标签下得索引值相加返回了！牛逼！
假如数据不一致会发生什么呢？（Series对象元素不等）
#数据不一致的情况
sr4=pd.Series([12,23,34],index=['c','a','d'])
sr5=pd.Series([11,20,10,16],index=['d','c','a','b'])
sr4+sr5 #嘿嘿，明白了吧，嘿嘿！结果为：
看到了吧！多余的数他自动给我填充 NaN了，可我明明不是啊？怎么办？
#如何解决以上问题
sr4.add(sr5,fill_value=0) #嘿嘿嘿嘿，我们相加的时候将空值填充为0即可，这样：
这里b就有值了啊！哈哈
ok,那么有小火伴可能就会问了，我可以判断对象是否有缺失值而提前采取措施吗？
#缺失值处理，可以不管，也可以进行处理
#删除、
#isnull判断是否缺失notnull
sr6=sr4+sr5
print(sr6.isnull())
print(sr6.notnull())结果为：
嘿嘿明白了吧？
那判断之后，我们能对缺失值进行如何处理呢？一是直接删除，2是使用其他数据进行填充。
#mean函数其实是求平均值的哟，哈哈
#那么我们如何以平均值来填充呢？
print(sr6.dropna()) #直接删除，可以看到结果的确没有了。嘿嘿
print(sr6.fillna(sr6.mean())) #嘿嘿结果是不是一目了然呀，嘿嘿结果为：
dropna将缺失值进行了删除，而fillna方法使用sr6对象的其余元素的均值对缺失值进行了填充。了解了吗？
嘿嘿，让我们来总结一下今天的知识点：
创建并访问Series对象
Series数据对齐功能
Series四则运算
Series缺失值处理
Series对象的特性嘿嘿，欧克了吗？其实由于Series对象有列表和字典的特性，所以我们同时也学了很多关于列表和字典的知识，并且，那么，我们是不是对列表和字典的学习就会更容易了呢？haha…
