Series

Series类型

由一组数据及与之相关的数据索引组成
一维带“标签”数组。数据 大小不可变，值可变
基本操作类似ndarray和字典，根据索引对齐。

一、两种索引

1、自动索引 从0开始，系统自动创建的索引
2、自定义索引 用户用列表方式定义的索引
如果自定义索引是数值时，自动索引将不能使用

二、series的创建pd.Series(data,index=,dtype=）

data	由其他类型创建	b=pd.Series(data,index=）
1、标量值创建	数据都是一个值；索引值决定数据个数，故不能省略索引值，	b=pd.Series(25,index=[‘a’,‘b’,‘c’,'d,])
2、字典	键值对默认生成对应索引和数据，可用索引改变位置；若后面的索引，不在键值对里时，值为NaN,为空	b=pandas.Series({‘a’:1,‘b’:2,‘c’:3,‘d’:4}) b=pd.Series({‘a’:9,‘b’:7,‘c’:4,‘d’:6},index=[‘c’,'‘b’,‘a’,‘d’])
3、nadarray	数据、索引都可从数组生成	b=pd.Series(np.arange(5),np.arange(9,4,-1))
4、列表		b=pd.Series([1,2,3,4],[9,8,7,6])
5、其他函数	range()	pd.Series(range(5),range(5))

三、获取数据

Series可以看做index和array数据结合得到series

.index	获得索引	In[4]:a.index Out[4]: Int64Index([9, 8, 7, 6], dtype=‘int64’)
.values	获得数据	a.values array([1, 2, 3, 4], dtype=int64)
获取数据值：可用自定义索引（标签）或自动索引	自动索引和自定义索引不能同时使用 ；如果索引是数字时，没有自动索引
	自定义索引的列表进行切片，两层[[	a**[[**9,7,6]]
	自动索引切片	b[:3]

属性
s.dtype	获取数据类型
s.size	数据大小
操作
s.head(n) s.tali(n)	获取前n行、后n
符合数据类型对应的操作，如字符串的函数 s.str.函数()

1、基本操作	a=pandas.Series([1,2,3,4],[9,8,7,6])
类似ndarray	1、索引采用[ ] [[ ]]	b[3]
2、numpy运算、操作可用于Series	b.median()
3、自定义索引的列表进行切片	a[[9,7,6]]
4、自动索引切片	b[:3]
类似字典	1、用索引值得数据值，索引类似字典的key	b[3]
2、判断索引是否存在：in 操作，返回布尔。 判断的是自定义索引，不会判断自动索引	9 in a，9为索引值
3、获取值：.get(索引,默认值)	a.get(9,100)， 如果索引9有值，返回它的值，没有的话返回100

2、对齐操作	Series+Series
相同索引的值进行运算	因是基于索引的运算，若两个series没有同时存在这个索引，则该索引的值会变为NaN
b=pandas.Series({‘a’:1,‘b’:2,‘c’:3,‘d’:4})；c=pandas.Series({‘b’:2,‘c’:4,‘e’:5})	b+c >>> a NaN b 4.0 c 7.0 d NaN e NaN dtype: float64

3、name属性
b.name=‘series对象’	设置对象名
b.index.name=‘索引列’	设置索引名

4、修改
随时修改，即刻生效
类似字典的修改

b=pandas.Series({‘a’:1,‘b’:2,‘c’:3,‘d’:4})

b[‘a’]=10
b.name=‘对象’