一、Series簡介
- Series是一種類似于一維數組的對象，是由一組資料(各種NumPy資料類型)以及一組與之相關的資料标簽(即索引)組成。僅由一組資料也可産生簡單的Series對象。注意：Series中的索引值是可以重複的。
二、Series建立
- Series通過numpy數組，清單及字典等多重方式進行建立
- 當使用字典建立時，Series會使用字典的鍵作為數組的索引值
- 當使用numpy和清單建立時，Series會以它們的序列号作為索引值，可用index參數自定義索引值
- Series數組建立後，可以通過.index屬性重建索引值
import pandas as pd
a=pd.Series([87,95,84])
print("清單方式（預設索引）：
",a)
b=pd.Series([87,95,84],index=['小紅','小蘭','小綠'])
print("清單方式（自定義索引）：
",b)
c=pd.Series({'小紅':87,'小蘭':95,'小綠':84})
print("字典方式：
",c)
a.index=(['小紅','小蘭','小綠'])
print("對a重建索引：
",a)
>>>
清單方式（預設索引）：
0 87
1 95
2 84
dtype: int64
清單方式（自定義索引）：
小紅 87
小蘭 95
小綠 84
dtype: int64
字典方式：
小蘭 95
小紅 87
小綠 84
dtype: int64
對a重建索引：
小紅 87
小蘭 95
小綠 84
dtype: int64
三、Series查詢
- Series保留了大量Numpy中查詢方法，可以通過索引和切片的方式查詢Series的值（看Numpy查詢方式的，點選這裡）
四、Series運算
- 同樣的，Series保留了大量Numpy的運算機制，它們在Series中均可以使用。
- Series進行數組運算的時候，索引與值之間的映射關系不會發生改變。
- 在操作Series的時候，基本上可以把Series看成NumPy中的ndarray數組來進行操作。（看Numpy運算方法的，點選這裡）
五、缺失值檢測
- pandas中的isnull和notnull兩個函數可以用于在Series中檢測缺失值，這兩個函數的傳回時一個布爾類型的Series
import pandas as pd
a = pd.Series({'小紅': 87, '小蘭': 95, '小綠': 84, '小英': 99})
new_index = ['小紅', '小蘭', '小丸子', '小綠', '小英']
a = pd.Series(a, index=new_index)
print("帶缺失值的數組：
", a)
print("列出缺失值項：
", a[pd.isnull(a)])
print("列出有效值項：
", a[pd.notnull(a)])
>>>
帶缺失值的數組：
小紅 87.0
小蘭 95.0
小丸子 NaN
小綠 84.0
小英 99.0
dtype: float64
列出缺失值項：
小丸子 NaN
dtype: float64
列出有效值項：
小紅 87.0
小蘭 95.0
小綠 84.0
小英 99.0
dtype: float64
六、自動對齊
- 當多個series對象之間進行運算的時候，如果不同series之間具有不同的索引值，那麼運算會自動對齊不同索引值的資料，如果某個series沒有某個索引值，那麼最終結果會指派為NaN。
import pandas as pd
a = pd.Series([12, 23, 34], index=['p1', 'p2', 'p3'])
b = pd.Series([56, 78, 90, 38], index=['p2', 'p3', 'p4', 'p5'])
print("自動對齊索引，對不上的指派NaN：
", a + b)
>>>
自動對齊索引，對不上的指派NaN：
p1 NaN
p2 79.0
p3 112.0
p4 NaN
p5 NaN
dtype: float64
七、數組名稱
- Series對象本身以及索引都具有一個name屬性，預設為空，根據需要可以進行指派操作。
import pandas as pd
a = pd.Series({'小紅': 87, '小蘭': 95, '小綠': 84, '小英': 99})
a.values.name='成績'
a.name='考試成績'
a.index.name='姓名'
print("補全名稱的數組：
", a)
>>>
補全名稱的數組：
姓名
小蘭 95
小紅 87
小綠 84
小英 99
Name: 考試成績, dtype: int64
