Hello，大家好，我是可乐。
这是Python数据分析系列的第5篇文章，今天要说的是数据结构中的序列（Series），Series是由一组数据和一组行索引构成的一维数组，可以理解为Excel里没有列名的一列数据。
要使用Series，就要导入pandas模块。
import pandas as pd
1. 建
新建一个Series，用pd.Series，可以从列表中创建
# 从列表中新建一个序列
In [1]:S1 = pd.Series([2,4,6,8])
S1
Out[1]:0 2
1 4
2 6
3 8
dtype:int63
输出的第一列[0,1,2,3]是这个序列S1的索引，第二列[2,4,6,8]是S1的值，与列表最主观的不同是，列表是横向排列，序列时纵向排列的。
同时可以看到，在不指定索引的情况下，默认索引从0开始递增，当然也可指定索引，如下例, 给S2序列指定了从1开始递增的索引，用index给它赋值。
In [2]:S2 = pd.Series(["a","b","d","e"],index = [1,2,3,4])
S2
Out[2]:1 a
2 b
3 d
4 e
dtype:object
还可以从字典中创建，这时键就是该序列的索引。
In [3]:S3 = pd.Series({"Tom":101,"Tony":102,"Judy":103})
S3
Out[3]:Tom 101
Tony 102
Judy 103
dtype:int64
2. 增
在序列中新增数据，实际上是创建一个新的序列，然后将两个序列纵向合并。如在S2的基础上，把S1追加过去，用append方法，这样就间接实现了往S2序列中增加数据。
In [4]:S2.append(S1)
Out[4]:1 a
2 b
3 d
4 e
0 2
1 4
2 6
3 8
dtype:object
又或者，只想在S2序列中增加一个“f”的值，还是这样。
In [5]:S_f = pd.Series(["f"],index = [5])
S2.append(S_f)
Out[5]:1 a
2 b
3 d
4 e
5 f
dtype:object
3. 删
删除序列中的值，用drop方法按照索引删除，如要删除a这个值，drop里填写a对应的索引1，注意不是0，因为这不是默认索引，是我们设置了的从1开始递增的索引。
In [6]:# 删除
S2.drop([1])
Out[6]:2 b
3 d
4 e
5 f
dtype:object
上面的例子是删除一个值，也可以删除多个值
In [7]:# 删除
S2.drop([1,3])
Out[7]:2 b
4 e
5 f
dtype:object
4. 查
查找某个值是否在序列中
同样用in操作符，这里就不多说了，要说一下另一个方法，isin，返回的是布尔值。
In [8]:# 查找
S2.isin([a,f])
Out[8]:2 FALSE
4 FALSE
5 TRUE
dtype:bool
查找S2序列中是否包含“a”和"f"的值，索引5是f，所以返回TRUE，其他都返回FALSE。
查找序列中指定位置的值
通过索引的访问，查找指定位置的值。
In [9]:# 索引
S4 = pd.Series(["c","o","l","a"],index = ["一","二","三","四"])
S4["三"]
Out[9]:l
这里新建了一个S4序列，索引是自定义的["一","二","三","四"]，通过查找索引“三”，得到对应的值“l”。
切片，访问多个位置，访问前三（包括第三）的数据。
In [10]:# 切片
S4[:3]
Out[10]:一 c
二 o
三 l
dtype:object
5．改
对值的修改和其他数据结构一样，根据索引查找，然后赋值，如把S4序列的c改成d:
In [11]:# 修改
S4["一"] = "d"
S4
Out[11]:一 d
二 o
三 l
四 a
dtype:object
练习1：创建一个0、1、2、3、4的序列，修改其索引为A,B,C,D,E
关于练习题的答案，可以在后台回复：练习1，得到
写在后面最近在看《格局逆袭》这本书，有一句话着实点醒了我，读后有一种醍醐灌顶的感觉，与君共勉：
提升自己最快的方法不是学习新东西，而是弥补旧短板
数据分析的工具那么多：Excel、SQL、Python、Power BI、Tableau、SPSS…难道要一个一个轮着学完吗？都学完了就真的精通了吗？所以我们的目的不应该是把自己变成一个学习工具的工具，工具的运用都大同小异，思维的高度决定个体的差异，用Excel做相关性分析和用Python做有什么区别吗？结果不都是一样的吗，关键在于你要搞懂为什么要做相关性分析，以及对分析结果的理解。
温故而知新，大智慧啊，古人诚不欺我。
@ 作者：可乐，进阶的数据分析师
@ 公众号/知乎专栏/头条/简书：可乐的数据分析之路
