目录
Series结构
创建Series对象
访问Series数据
Series常用属性
Series常用方法
Series结构
Series 结构，也称 Series 序列，是 Pandas 常用的数据结构之一，它是一种类似于一维数组的结构，由一组数据值（value）和一组标签组成，其中标签与数据值之间是一一对应的关系。
Series 可以保存任何数据类型，比如整数、字符串、浮点数、Python 对象等，它的标签默认为整数，从 0 开始依次递增。Series 的结构图，如下所示：
通过标签我们可以更加直观地查看数据所在的索引位置。
创建Series对象
Pandas 使用 Series() 函数来创建 Series 对象，通过这个对象可以调用相应的方法和属性，从而达到处理数据的目的：
- import pandas as pd
- s=pd.Series( data, index, dtype, copy)
参数说明如下所示：
参数名称 | 描述 |
data | 输入的数据，可以是列表、常量、ndarray 数组等。 |
index | 索引值必须是惟一的，如果没有传递索引，则默认为 np.arrange(n)。 |
dtype | dtype表示数据类型，如果没有提供，则会自动判断得出。 |
copy | 表示对 data 进行拷贝，默认为 False。 |
可以使用数组、字典、标量值或者 Python 对象来创建 Series 对象。下面展示了创建 Series 对象的不同方法：
1) 创建一个空Series对象
import pandas as pd
#输出数据为空
s = pd.Series()
print(s)
输出结果如下：
Series([], dtype: float64)2) ndarray创建Series对象
ndarray 是 NumPy 中的数组类型，当 data 是 ndarry 时，传递的索引必须具有与数组相同的长度。假如没有给 index 参数传参，在默认情况下，索引值将使用是 range(n) 生成，其中 n 代表数组长度，如下所示：
import pandas as pd
import numpy as np
# 使用默认索引，创建 Series 序列对象，这种设置方式被称为“隐式索引”。
data = np.array(['a','b','c','d'])
s = pd.Series(data)
print (s)
输出结果如下：
0 a
1 b
2 c
3 d
dtype: object
# 可以使用“显式索引”的方法定义索引标签，自定义索引标签（即显示索引）
s = pd.Series(data,index=[100,101,102,103])
print(s)
输出结果：
100 a
101 b
102 c
103 d
dtype: object3) dict创建Series对象
您可以把 dict 作为输入数据。如果没有传入索引时会按照字典的键来构造索引；反之，当传递了索引时需要将索引标签与字典中的值一一对应。
下面两组示例分别对上述两种情况做了演示。
import pandas as pd
import numpy as np
# 示例1，没有传递索引时：
data = {'a' : 0., 'b' : 1., 'c' : 2.}
s = pd.Series(data)
print(s)
输出结果：
a 0.0
b 1.0
c 2.0
dtype: float64
# 示例 2，为index参数传递索引时：
s = pd.Series(data,index=['b','c','d','a'])
print(s)
输出结果：
b 1.0
c 2.0
d NaN # 当传递的索引值无法找到与其对应的值时，使用 NaN（非数字）填充。
a 0.0
dtype: float644) 标量创建Series对象
# 如果 data 是标量值，则必须提供索引，示例如下：
import pandas as pd
import numpy as np
s = pd.Series(5, index=[0, 1, 2, 3])
print(s)
输出如下：
0 5
1 5
2 5
3 5
dtype: int64标量值按照 index 的数量进行重复，并与其一一对应。
访问Series数据
上述讲解了创建 Series 对象的多种方式，那么我们应该如何访问 Series 序列中元素呢？分为两种方式，一种是位置索引访问；另一种是索引标签访问。
1) 位置索引访问
这种访问方式与 ndarray 和 list 相同，使用元素自身的下标进行访问。我们知道数组的索引计数从 0 开始，这表示第一个元素存储在第 0 个索引位置上，以此类推，就可以获得 Series 序列中的每个元素。下面看一组简单的示例：
import pandas as pd
s = pd.Series([1,2,3,4,5],index = ['a','b','c','d','e'])
# 通过位置和标签下标访问
print(s[0]) #位置下标
print(s['a']) #标签下标
输出结果：
1
1
# 使用索引标签访问多个元素值
print(s[['a','c','d']])
输出结果：
a 1
c 3
d 4
dtype: int64
# 通过切片的方式访问 Series 序列中的数据，示例如下：
print(s[:3])
输出结果：
a 1
b 2
c 3
dtype: int64Series常用属性
下面介绍 Series 的常用属性和方法。在下表列出了 Series 对象的常用属性。
名称 | 属性 |
axes | 以列表的形式返回所有行索引标签。 |
dtype | 返回对象的数据类型。 |
empty | 返回一个空的 Series 对象。 |
ndim | 返回输入数据的维数。 |
size | 返回输入数据的元素数量。 |
values | 以 ndarray 的形式返回 Series 对象。 |
index | 返回一个RangeIndex对象，用来描述索引的取值范围。 |
示例如下：
import pandas as pd
import numpy as np
s = pd.Series(np.random.randn(5))
# axes
print(s.axes)
[RangeIndex(start=0, stop=5, step=1)]
# dtype
print(s.dtype)
float64
# empty
print(s.empty)
False
# ndim
print(s.ndim)
1 # 因为其为一维数组，其始终返回1
# size
print(s.size)
5
# values
print(s.values)
[-0.50210028 0.69619407 -0.98206327 0.41642976 -1.38451433]
# index
print(s.index)
RangeIndex(start=0, stop=5, step=1) # 隐式索引Series常用方法
1) head()&tail()查看数据
如果想要查看 Series 的某一部分数据，可以使用 head() 或者 tail() 方法。其中 head() 返回前 n 行数据，默认显示前 5 行数据。
import pandas as pd
import numpy as np
s = pd.Series(np.random.randn(5))
#返回前三行数据
print(s.head(3))
head(3)输出：
dtype: float64
0 1.249679
1 0.636487
2 -0.987621
dtype: float64
# tail() 返回的是后 n 行数据，默认为后 5 行，输出后两行数据
print (s.tail(2))
输出后两行数据：
dtype: float64
2 -0.719175
3 -0.035178
dtype: float642) isnull()&nonull()检测缺失值
isnull() 和 nonull() 用于检测 Series 中的缺失值。所谓缺失值，顾名思义就是值不存在、丢失、缺少。
- isnull()：如果为值不存在或者缺失，则返回 True。
- notnull()：如果值不存在或者缺失，则返回 False。
针对数据丢失的现象，可以使用相应的方法对缺失值进行处理，比如均值插值、数据补齐等方法。上述两个方法可以检测是否存在缺失值。示例如下：
import pandas as pd
#None代表缺失数据
s=pd.Series([1,2,5,None])
print(pd.isnull(s)) #是空值返回True
输出结果：
0 False
1 False
2 False
3 True
dtype: bool
print(pd.notnull(s)) #空值返回False
notnull():
0 True
1 True
2 True
3 False
dtype: bool
