pandas库的Series对象用来表示一维数据结构，跟数组类似，但多了一些额外的功能，它的内部结构很简单，由两个相互关联的数组组成(index和values)，其中主数组用来存放数据，主数组的每一个元素都有一个与之相关联的标签，这些标签存储在一个Index的数组中.
- 声明Series对象
构造参数如下:
def __init__(self, data=None, index=None, dtype=None, name=None,
copy=False, fastpath=False):
>>> import pandas as pd
>>> s = pd.Series([1, 2, 3, 4])
>>>print(s)
0 1
1 2
2 3
3 4
dtype: int64
左侧是index(索引),声明Series时，若不指明index,pandas默认使用从0开始依次递增的数值作为index数组。
右侧是values(即封装的数据).
调用构造函数时指定index选项
>>> s = pd.Series([1, 2, 3,4], index=['a', 'b', 'c', 'd'])
>>> print(s)
a 1
b 2
c 3
d 4
dtype: int64
- 使用index和values属性查看组成Series对象的两个数组
>>> print(s.index)
Index(['a', 'b', 'c', 'd'], dtype='object')
>>> print(type(s.index))
<class 'pandas.core.indexes.base.Index'>
>>> print(s.values)
[1 2 3 4]
>>> print(type(s.values))
<class 'numpy.ndarray'>
- 获取内部数据
直接使用data数组的下标获取:
>>> print(s[2])
3
>>> print(type(s[2]))
<class 'numpy.int64'>
通过index数组的值来获取对应的data数组中的值
>>> print(s['c'])
3
- 获取多个元素
>>>print(s[0:2])
a 1
b 2
dtype: int64
>>> print(type(s[0:2]))
<class 'pandas.core.series.Series'>
>>>print(s[['a', 'b']]) ---通过索引index里面的值来获取相应的元素
a 1
b 2
dtype: int64
- 为元素赋值: 使用上面介绍的方法选取元素，然后进行赋值.
>>> s[1] = 9999
>>> print(s)
a 1
b 9999
c 3
d 4
dtype: int64
>>> s['c'] = 666
>>> print(s)
a 1
b 9999
c 666
d 4
dtype: int64
- 使用Numpy数组或者其他的Series对象定义新的Series对象.
>>> import numpy as np
>>> a = np.array([11, 12, 13, 14])
>>> s2 = pd.Series(a) ---Series对象的values属性本来就是一个Numpy.Array对象
>>> print(s2) --- Series对象中的values数组（数据）是对numpy.ndarray对象的引用,如果改变原有对象的值,Series对象的值也会跟着改变
0 11
1 12
2 13
3 14
dtype: int32
>>> s3 = pd.Series(s)
>>> print(s3)
a 1
b 9999
c 666
d 4
dtype: int64
- 筛选元素
因为pandas库是以numpy库为基础开发的，所以numpy数组的许多操作方法对Series对象也有效。
获取所有大于8的元素
>>> print(s[s>8])
b 9999
c 666
dtype: int64
- Series对象运算和数学函数
使用与numpy数组的运算符(+,-,*,/)或其他数学函数，也适用于Series对象
>>> print(s/2)
a 0.5
b 4999.5
c 333.0
d 2.0
dtype: float64
>>> print(np.log(s))
a 0.000000
b 9.210240
c 6.501290
d 1.386294
dtype: float64
- Series对象的组成函数
去除重复的元素,使用Series对象的unique()函数,返回一个numpy.ndarray数组
>>> s = pd.Series([1, 3, 5,3, 7, 9, 7, 5, 4,1, 2])
>>> print(s.unique()) --- 元素的顺序随机
[1 3 5 7 9 4 2]
>>>print(type(s.unique()))
<class 'numpy.ndarray'>
Series对象的value_counts()函数返回一个Series对象，index为原Series对象中不重复的元素，values为不重复的元素出现的次数.
>>> print(s.value_counts())
7 2
5 2
3 2
1 2
9 1
4 1
2 1
dtype: int64
isin()函数可以用来判定Series中的每个元素中是否包含在给定的isin()的参数（数组）中，如果包含在，则为True,否则为False，可用于筛选数据。
>>> s.isin([1,7])
0 True
1 False
2 False
3 False
4 True
5 False
6 True
7 False
8 False
9 True
10 False
dtype: bool
>>> s[s.isin([1, 7])]
0 1
4 7
6 7
9 1
dtype: int64
- NaN
NaN表示Not a Number,pandas.NaN表示这个值，当数据结构中包含的元素为空或者不符合数字的定义时，用这个特定的值来表示，一般来讲，NaN值表示数据有问题，必须对其进行处理.
>>> s = pd.Series([3, -1, 15, np.NaN])
>>> print(s)
0 3.0
1 -1.0
2 15.0
3 NaN
dtype: float64
isnull()函数和notnull()函数用来识别没有对应元素的索引时非常好用.
>>> s.isnull()
0 False
1 False
2 False
3 True
dtype: bool
>>> s[s.isnull()]
3 NaN
dtype: float64
>>>s.notnull()
0 True
1 True
2 True
3 False
dtype: bool
- Series用作字典
因为Series对象的index对应values，所以我们可以用字典对象来构造Series对象.字典中的所有的键放在Series对象的index数组中，字典中的所有值放在Series对象的values数组中，仍然保持对应关系.
>>> dic = {"a": 3, "b": 4, "c": 5}
>>> s = pd.Series(dic)
>>> print(s)
a 3
b 4
c 5
dtype: int64
当然是用字典对象构造Series对象的时候也可以指定index参数，如果index中的值在字典中有对应的键，则生成的Series对象中该值对应的元素为在字典中对应的值，如果找不到，则为pandas.NaN.
>>> s = pd.Series(dic, index=["a","b","c", "d"])
>>> print(s)
a 3.0
b 4.0
c 5.0
d NaN --- 字典中不存在"d"这个键
dtype: float64
- Series对象之间的运算
Series对象除了和标量之间可以进行运算，Series对象和Series对象之间也可以进行运算.如果index的值没有对齐,则没有对齐的元素运算之后的值为pandas.NaN.
>>> s2 = pd.Series({"a": 1, "b": 7, "c": 2, "d": 11})
>>> print(s+s2)
a 4.0
b 11.0
c 7.0
d NaN
dtype: float64
