pandas中文文档
Series是一维标签数组，能够保存任何数据类型（整数，字符串，浮点数，Python对象等）。 轴标签统称为索引。 创建Series的基本方法是调用：
>>> s = pd.Series(data, index=index)
这里data参数可以是许多不同的对象：
- Python dict
- ndarray
- 标量值（如5）
传递的索引是轴标签列表。 因此，根据数据的不同，可分为几种情况：
来自ndarray
如果数据是ndarray，则索引的长度必须与数据的长度相同。 如果没有传递索引，将创建一个具有值[0，...，len（data） - 1]的索引。In [3]: s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e']) In [4]: s Out[4]: a 0.4691 b -0.2829 c -1.5091 d -1.1356 e 1.2121 dtype: float64 In [5]: s.index Out[5]: Index(['a', 'b', 'c', 'd', 'e'], dtype='object') In [6]: pd.Series(np.random.randn(5)) Out[6]: 0 -0.1732 1 0.1192 2 -1.0442 3 -0.8618 4 -2.1046 dtype: float64
- 注意：pandas支持非唯一索引值。 如果尝试不支持重复索引值的操作，则会引发异常。 延迟加载的原因几乎都是基于性能的（计算中有很多实例，比如GroupBy中没有使用索引的部分）。
来自dict
Series可以通过dict实例化：
In [7]: d = {'b' : 1, 'a' : 0, 'c' : 2}
In [8]: pd.Series(d)
Out[8]:
b 1
a 0
c 2
dtype: int64
- 注意：当数据是dict，并且未传递索引时，如果您使用的是Python版本> = 3.6且Pandas版本> = 0.23，则Series的索引将按dict的插入顺序排序。如果您使用的是Python <3.6或Pandas <0.23，并且未传递索引，则Series的索引将按dict键值的字母顺序排列。
在上面的示例中，如果您使用的Python版本低于3.6或Pandas版本低于0.23，则Series将按字典键的字母顺序排序（即['a'，'b'，'c'] 而不是['b'，'a'，'c']）。
如果传递索引，则将拉出与索引中的标签对应的数据中的值。
In [9]: d = {'a' : 0., 'b' : 1., 'c' : 2.}
In [10]: pd.Series(d)
Out[10]:
a 0.0
b 1.0
c 2.0
dtype: float64
In [11]: pd.Series(d, index=['b', 'c', 'd', 'a'])
Out[11]:
b 1.0
c 2.0
d NaN
a 0.0
dtype: float64
- 注意：NaN（不是数字）是pandas中使用的标准缺失数据标记。
来自标量值
如果数据是标量值，则必须提供索引。 将重复该值以匹配索引的长度。In [12]: pd.Series(5., index=['a', 'b', 'c', 'd', 'e']) Out[12]: a 5.0 b 5.0 c 5.0 d 5.0 e 5.0 dtype: float64
Series 与 ndarray 相似
Series与ndarray非常相似，是大多数NumPy函数的有效参数。 但是，切片等操作也会对索引进行切片。In [13]: s[0] Out[13]: 0.46911229990718628 In [14]: s[:3] Out[14]: a 0.4691 b -0.2829 c -1.5091 dtype: float64 In [15]: s[s > s.median()] Out[15]: a 0.4691 e 1.2121 dtype: float64 In [16]: s[[4, 3, 1]] Out[16]: e 1.2121 d -1.1356 b -0.2829 dtype: float64 In [17]: np.exp(s) Out[17]: a 1.5986 b 0.7536 c 0.2211 d 0.3212 e 3.3606 dtype: float64我们将在单独的章节中讨论基于数组的索引。
Series 与dict相似
Series类似于固定大小的dict，您可以通过索引标签获取和设置值：
In [18]: s['a'] Out[18]: 0.46911229990718628 In [19]: s['e'] = 12. In [20]: s Out[20]: a 0.4691 b -0.2829 c -1.5091 d -1.1356 e 12.0000 dtype: float64 In [21]: 'e' in s Out[21]: True In [22]: 'f' in s Out[22]: False
如果索引标签不存在，则会抛出异常：
>>> s['f'] KeyError: 'f'
使用get方法，缺少的标签将返回None或指定的默认值：
In [23]: s.get('f')
In [24]: s.get('f', np.nan)
Out[24]: nan
另请参考：属性访问相关的章节
Series的向量操作和标签对齐
使用原始NumPy数组时，通常不需要循环对每一个值进行操作。 在pandas中使用Series时也是如此。 Series也可以传递到大多数接收ndarray作为参数的NumPy方法。In [25]: s + s Out[25]: a 0.9382 b -0.5657 c -3.0181 d -2.2713 e 24.0000 dtype: float64 In [26]: s * 2 Out[26]: a 0.9382 b -0.5657 c -3.0181 d -2.2713 e 24.0000 dtype: float64 In [27]: np.exp(s) Out[27]: a 1.5986 b 0.7536 c 0.2211 d 0.3212 e 162754.7914 dtype: float64
Series和ndarray之间的主要区别在于Series之间的操作会根据标签索引自动对齐数据。 因此，您可以不考虑参与计算的Series是否具有相同标签。
In [28]: s[1:] + s[:-1] Out[28]: a NaN b -0.5657 c -3.0181 d -2.2713 e NaN dtype: float64未对齐的Series之间的操作结果将包含所涉及的索引的并集。 如果在一个Series或另一个Series中找不到标签，结果将被标记为缺少值NaN。 能够在不进行任何明确数据对齐的情况下编写代码，使得在交互式数据分析和研究中获得巨大的自由度和灵活性。 pandas数据自动对齐的特性，使得pandas有别于大多数其他对标签数据处理的工具。
注意
通常，我们选择不同索引对象之间的操作的默认结果：索引的并集，以避免信息丢失。 尽管缺少数据，但索引标签通常是重要的信息，作为计算的一部分。 您当然可以选择通过dropna函数删除缺少数据的标签。Name 属性
Series 可以有 name 属性:
In [29]: s = pd.Series(np.random.randn(5), name='something') In [30]: s Out[30]: 0 -0.4949 1 1.0718 2 0.7216 3 -0.7068 4 -1.0396 Name: something, dtype: float64 In [31]: s.name Out[31]: 'something'在许多情况下，Series name属性将自动分配，特别是在获取1维切片的DataFrame时，如下所示。
版本0.18.0中的新功能。
您可以使用pandas.Series.rename（）方法重命名Series。
In [32]: s2 = s.rename("different")
In [33]: s2.name
Out[33]: 'different'
注意这里‘s' 和 ’s2' 是不同的对象。
标签： series、float64、dtype、索引、pandas
