1. 什么是Series？

Series是一种类似于一维数组的对象，与一维数组对象不同的是Series带有标签（索引），通俗来说就是一维带标签（索引）的一维数组。如下图所示：

2. 如何创建Series？

Series是一维带标签（索引）的一维数组，对于Series最关键的也就是索引index和与之对应的value值。

一般格式 (这里的data就是value值的集合)：
s = pd.Series( data , index )

data几种常见的取值类型：

1. 标量值、list列表；
2. ndarray对象；
3. dict字典；

index取值规范：

1. 索引值必须是可hashable的（如果一个对象是可散列的，那么在这个对象的生命周期中，他的散列值是不会变的（它需要实现__hash__()方法）），并且索引index的长度必须和value值的长度一致，如果不一致会抛出异常（这点需要格外的注意）；
2. 如果不设置索引，默认索引是从0到n-1的序列值[其中n为data值的长度]；
3. 如果data的类型为dict字典类型，对应的字典中的key值就是对应series对象中的index值；
4. 相同的索引值也是可以的；

下面依照着data的几种常见的类型来分别介绍，中间会穿插着index的取值规范问题：

2.1 data为标量值、list列表

#data:标量值1

#data:list列表

注意：

• 当创建Series对象的时候指定index的时候，index元素个数（此处的index为一个list列表）要和data中元素个数相等；
• 使用相同的索引值"a"，程序并没有发生异常，索引值可以是相同的；

2.2 data为ndarray对象

import 

注意：

• 此时的data是ndarray数组类型，而index分别指定了无参数的默认index索引、指定list列表以及指定ndarray数组类型的index。

2.3 data为dict字典

import 

这里由于将data位置的参数传入字典，将字典的键作为了Series对象的index，所以如果再次指定index的时候会出现一些新的情况：

1. 指定的index中不包含字典中的键值；
2. 指定的index中包含部分字典中的键值；
3. 指定的index中包含全部的字典中键值；

下面就使用代码简单的介绍一下这三种情况。

• 指定的index中不包含字典中的键值

import 

• 指定的index中包含部分字典中的键值

import 

• 指定的index中包含全部的字典中键值

import 

总结：

我们知道创建Series对象的一般格式，包含两个参数data和index索引。我们使用Python字典作为创建Series的data，同时我们知道当将字典作为创建Series对象的data的话，Python字典中的key可以作为Series的index，但是此时我们仍然可以继续指定index，通过上面的三种情况的描述，可以得出结论，使用字典创建Series，同时指定index的话，此时的index起到一个筛选的作用，最终的输出结果就是指定的index，如果指定的index在字典中的key中，则将对应的值关联到指定的index中；如果指定的index不在字典中的key中，则将NaN关联到指定index中。由于Python中字典中的key不能够重复，所以虽然Series允许使用有重复的index值，但是如果使用字典创建Series的时候肯定不会有相同的index值。

3. Series的属性

此处介绍Series属性包括两个方面（因为此处介绍的是Series的属性不是Series的方法，所以不要在后面加小括号）：

1. 获取Series的index索引和value值，顺便介绍统计index和value相同类别的个数的方法；
2. 获取Series的名称以及index的名称；

#实验所用到的Series对象

3.1 获取index索引和value值，并统计index和value相同类别的个数

下面将index和value分开来介绍：

#获取Series的索引

此时返回的索引是一个迭代器对象，这个对象还可能会有其他的属性。如果我们想要获取其中的具体值的话，可以使用for循环进行遍历，还可以使用下面这些简单的属性将迭代转换为ndarray数组或者是list列表：

print

如果我们想要统计Series中索引相同索引的个数，可以使用下面的方法（注意此时是方法不在是属性了）：

print

values其实和index类似，下面简单的介绍一下：

print

与获取index不同的是，使用s.values返回的就是包含值的ndarray数组类型。下面统计相同value值的个数，同样这个也是一个方法，这个方法还是很常用的：

print

3.2 获取Series的名称以及index的名称

Series有本身以及index和value，除了value没有名称外，Series本身和index都可以指定名称，如果不指定的话默认为None。

s

4. Series的索引获取指定值

Series简单来说就是带有索引的一维数组，我们很自然的可以通过索引来获取对应的value值，我们有三种方式进行索引：

1. 位置索引。通过0 ~ n-1[n为Series中索引个数]进行索引；
2. 名称索引。通过传入指定的index名称来进行索引；
   1. 获取单个索引值；
   2. 获取多个索引值；
3. 点索引。通过".index名称"的形式进行索引；

下面来分别介绍这三种索引方式以及需要注意的地方。

import 

4.1 位置索引

# 位置索引

此处的位置索引类似python中的list列表，不仅能够正向索引[从0开始]而且还能够反向索引[从-1开始反向索引]。

4.2 名称索引

# index名称索引

使用名称索引不仅可以索引单个value值，也可以索引多个value值。平时用的最多的就是位置索引和名称索引，说一说使用他们的时候需要注意的地方：

• 我们知道Series的index索引可以是任意类型，如果index为整数类型，那么位置索引就会失效。

import 

• 由于Series的index是可以重复的，对于位置索引来说无论index是否重复都与索引没有关系，但是如果使用名称索引的话，索引出来的是结果是一个具有相同index的Series对象。

import 

4.3 点索引

平时使用名称索引以及位置索引足够使用。点索引使用有很多局限性：

1. 点索引只使用于Series的index类型为非数值类型才可以使用；
2. 如果Series中的index中有一些索引名称与Python的一些关键字或者一些函数名重名的话，会导致无法获取Series的值；

import 

import 

5. Series的切片slice

通过Series的切片来获取连续的多个索引对应的值，Series的切片有两种方式：

1. 使用位置切片，类似s[start_index : end_index]，熟悉python都知道这种切片方式，需要注意的这种方式切片同样是包左不包右；
2. 使用名称切片，类似s [start_index_name , end_index_name]，这种方式和上面使用位置切片的最大区别就是名称切片，即包左又包右；

import 

5.1 位置切片

# 使用位置切片

5.2 名称切片

# 使用名称切片

注意：

在上面的索引方式，我们知道了位置索引和名称索引在index为数值类型时候的不同，当index为数值类型的时候，使用位置索引会抛出keyerror的异常，也就是说当index为数值类型的时候，索引使用的是名称索引。但是在切片的时候，有很大的不同，如果index为数值类型的时候，切片使用的是位置切片。总的来说，当index为数值类型的时候：

1. 进行索引的时候，相当于使用的是名称索引；
2. 进行切片的时候，相当于使用的是位置切片；

6. Series的增删改查

6.1 添加Series的值（增）

为Series添加新的值的方式有两种：

1. 使用series.append(pd.Series(data,index))的方式添加，这种方式会返回一个新的Series对象，这种方式最大的特点就是可以添加多个Series值；
2. 使用series["new_index"] = value的方式添加，这种方式会直接在原来的Series上进行修改，并且这种方式每次只能够添加一个Series值；

import 

6.2 删除series的值（删）

删除直接使用del关键字删除即可。

import 

6.3 通过索引修改Series的值（改）

其实此时介绍的修改Series的值和在4中介绍的一致，只不过将4中介绍的获取到的Series值进行重新的赋值即是修改对应Series的值，因此此处也有三种方式：

1. 通过位置索引修改value值；
2. 通过名称索引修改value值；
3. 通过点索引修改value值；

此处因为类似，所以只选择一个进行实验：

import 

6.4 判断索引是否在Series中（查）

判断index是否在Series中很简单，其实和python中查看元素是否在list列表中的方法是一样的。

import 

7. 过滤Series的值

我们可以通过布尔选择器，也就是条件筛选来过滤一些特定的值，从而仅仅获取满足条件的值。过滤Series的值的方式分为两种：

1. 单条件筛选；
2. 多条件筛选；

import 

7.1 单条件筛选

print

7.2 多条件查询

print

注意：

1. 多条件查询中的and以及or必须使用对应的符号来表示，and用&，or用|来表示；
2. 使用多条件的时候，为了避免出错，在每个条件上最好加上括号；

8. Series缺失值的处理

1. 判断Value值是否为缺失值，isnull()判断series中的缺失值以及s.notnull()判断series中的非缺失值；
2. 删除缺失值
   1. 使用dropna()；
   2. 使用isnull()以及notnull();
3. 填充缺失值
   1. 使用fillna;
      1. 使用指定值填充缺失值；
      2. 使用插值填充缺失值；
         1. 向前填充ffill;
         2. 向后填充bfill;

# 创建一个带缺失值的Series

8.1 判断value值是否为缺失值

有两种方式判断：

1. s.isnull()判断s中的缺失值；
2. s.notnull()判断s中的非缺失值；

# 缺失值的地方为True

8.2 删除缺失值

1. 使用dropna()方法删除缺失值，返回新的Series对象；
2. 使用series.isnull()以及series.notnull()方法，使用布尔筛选进行过滤出非缺失值；

print

8.3 使用fillna()填充缺失值

1. 使用指定值填充缺失值；
2. 使用插值填充缺失值；

print

注意：

默认情况下，填充缺失值都会创建一个新的Series对象，如果希望直接在原来的Series上进行修改的话，可以使用下面两种方式：

1. 直接进行赋值；
2. 给fillna()函数添加一个新的参数，inplace = True参数；

9. Series排序

series的排序有两种：

1. 根据索引进行排序，使用series.sort_index(ascending = True)；
2. 根据值进行排序，使用series.sort_value(ascending = True)；

10. Series的描述性统计