import pandas as pd
import numpy as np
Series 是一个带标签的一维数组，能够保存任何数据类型（整数、字符串、浮点数、Python 对象等）。轴 axis 标签统称为索引 index。
创建 Series 对象
创建 Serires 对象需要提供 data 和 index 两个参数。其中 index 是需要传入的索引，即轴标签列表。因此，根据数据类型可以分为如下几种情况：
ndarray
如果 data 是 ndarray，则 index 必须与 data 的长度相同。
pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
a -0.247457
b 0.127203
c 0.048504
d -1.802860
e -1.480528
dtype: float64
如果没有传递索引，则将创建一个具有值 [0, ..., len(data) - 1] 的索引。
pd.Series(np.random.randn(5))
0 -0.218089
1 -1.875552
2 -0.351250
3 2.237674
4 0.794604
dtype: float64
dict
pd.Series({'b': 1, 'a': 0, 'c': 2})
b 1
a 0
c 2
dtype: int64
标量值
如果数据是标量值，则必须提供索引。该值将重复以匹配索引的长度。
pd.Series(5.0, index=['a', 'b', 'c', 'd', 'e'])
a 5.0
b 5.0
c 5.0
d 5.0
e 5.0
dtype: float64
Series 类似 ndarray
Series 的行为与 ndarray 非常相似，并且是大多数 NumPy 函数的有效参数。
索引和切片
注意：切片等操作也会对索引进行切片。
s = pd.Series(np.random.randn(5), index=["a", "b", "c", "d", "e"])
s
a 1.234485
b -0.893518
c 0.400802
d -1.328360
e -1.023169
dtype: float64
s[0]
C:\Users\Fourier\AppData\Local\Temp\ipykernel_17908\243613605.py:1: FutureWarning: Series.__getitem__ treating keys as positions is deprecated. In a future version, integer keys will always be treated as labels (consistent with DataFrame behavior). To access a value by position, use `ser.iloc[pos]`
s[0]
1.2344849322112634
s[:3]
a 1.234485
b -0.893518
c 0.400802
dtype: float64
矩阵索引
s[s > s.median()]
a 1.234485
c 0.400802
dtype: float64
数学运算
np.exp(s)
a 3.436608
b 0.409214
c 1.493022
d 0.264911
e 0.359454
dtype: float64
ndarry 属性
s.array
<NumpyExtensionArray>
[ 1.2344849322112634, -0.8935181616923943, 0.40080196379724387,
-1.3283596009432421, -1.023169455667722]
Length: 5, dtype: float64
s.dtype
dtype('float64')
强制类型转换
s.to_numpy()
array([ 1.23448493, -0.89351816, 0.40080196, -1.3283596 , -1.02316946])
Series 类似 dict
Series 就像一个固定大小的 dict，可以通过索引标签获取和设置值：
s['a']
1.2344849322112634
s['e'] = 12.0
s
a 1.234485
b -0.893518
c 0.400802
d -1.328360
e 12.000000
dtype: float64
'e' in s, 'f' in s
(True, False)
如果未包含标签，会抛出异常：
try:
s['f']
except KeyError:
print('KeyError')
KeyError
使用 get 方法，缺少的标签将返回 None 或指定的默认值：
s.get('f')
s.get('f', np.nan)
nan
向量化操作和标签对齐
使用原始 NumPy 数组时，通常不需要逐个值循环。在 pandas 中使用 Series 时也是如此。Series 也可以传递给大多数需要 ndarray 的 NumPy 方法。
s + s
a 2.468970
b -1.787036
c 0.801604
d -2.656719
e 24.000000
dtype: float64
s * 2
a 2.468970
b -1.787036
c 0.801604
d -2.656719
e 24.000000
dtype: float64
Series 和 ndarray 之间的一个关键区别是 Series 之间的操作会根据标签自动对齐数据。因此，您可以编写计算而不考虑所涉及的系列是否具有相同的标签。
s[1:] + s[:-1]
a NaN
b -1.787036
c 0.801604
d -2.656719
e NaN
dtype: float64
未对齐系列之间的操作结果将包含所涉及的索引的并集。如果在一个系列或另一个系列中找不到标签，则结果将被标记为缺失 NaN。
name 属性
s = pd.Series(np.random.randn(5), name="something")
s
0 0.715769
1 -0.089104
2 1.187363
3 -1.413279
4 0.272194
Name: something, dtype: float64
s.name
'something'
在许多情况下，Series 名称将自动分配，特别是在获取 DataFrame 的一维切片时。详见 DataFrame 章节。
new_s = s.rename('different')
new_s.name
'different'
请注意，s 和 new_s 指的是不同的对象。