一、一维数组Series
Series：一维数组,与Numpy中的一维array类似。它是一种类似于一维数组的对象，是由一组数据(各种 NumPy 数据类型)以及一组与之相关的数据标签(即索引)组成。
仅由一组数据也可产生简单的 Series 对象，用值列表生成 Series 时，Pandas 默认自动生成整数索引 。
二、Series的创建
在Pandas中，一维数组的创建离不开Pandas库中的Series类。
python">pandas.Series(data=None, index=None, dtype=None, name=None, copy=None, fastpath=False)| 描述 | 说明 |
|---|---|
| data | 标量值，如整数或字符串 Python列表或元组 Python字典 1d-Ndarray |
| index | 数组或列表，用于定义Series的索引。如果未提供，则默认为从0开始的 整数索引。 |
| dtype | 指定Series的数据类型。 |
| name | 给Series一个名字，用于后续的索引和操作。 |
| copy | 布尔值，默认为False。如果为True，则复制数据；如果为False，则尽可 能避免复制数据，仅影响Ndarray输入。 |
| fastpath | 布尔值，默认为False，通常不需要用户指定。它是Pandas库内部使 用的一个优化标志，当设置为 True时，允许 Series构造函数绕过一些检查和验 证步骤，加快Series的创建速度。但由于这个参数跳过了某些安全检查，因此在 正常使用中，如果在创建Series时设置了 fastpath=True，而传入的数据又不符 合预期，则可能会导致不可预测的行为或错误。 |
2.1、使用标量创建
python">import pandas as pd
data=0
series=pd.Series(data,index=['a','b','c'])
print(series)python">a 0
b 0
c 0
dtype: int642.2、使用列表或元组创建
python">import pandas as pd
data1=[1,2,3,4,5]
data2=(1,2,3,4,5)
series1=pd.Series(data1,index=['a','b','c','d','e'])
series2=pd.Series(data2,index=['a','b','c','d','e'])
print(series1,series2)python">a 1
b 2
c 3
d 4
e 5
dtype: int64 a 1
b 2
c 3
d 4
e 5
dtype: int642.3、使用字典
使用字典创建Series时，字典的键就是索引，字典的值就是该索引对应的值。如果使 用字典创建Series，并且指定了与字典的键不同的index参数，那么生成的Series数组 中的数据就是以index参数的值为索引，但索引所对应的值是NaN。
在Pandas中， NaN（Not a Number）是一个特殊的浮点数，用于表示缺失数据或无 效数据。NaN 是 IEEE 浮点标准的一部分，Pandas 使用 NaN 来表示数据集中缺失或 未定义的值。
python">import pandas as pd
data={'a':1,'b':2,'c':3
}
series=pd.Series(data)
print(series)python">a 1
b 2
c 3
dtype: int642.4、使用数组
python">import pandas as pd
import numpy as np
data=np.array([1,2,3,4,5]
)
series=pd.Series(data)
print(series)python">0 1
1 2
2 3
3 4
4 5
dtype: int64三、Series的属性
3.1、index
返回Series中的索引。
python">import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.index)
series.index=['e','f','g']
print(series.index)python">Index(['a', 'b', 'c'], dtype='object')
Index(['e', 'f', 'g'], dtype='object')3.2、values
用于返回Series中的数据，返回的数据将以Ndarray数组的形式存在。
python">import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.values)
print(type(series.values))python">[1 2 3]
<class 'numpy.ndarray'>3.3、name
用于返回Series的名称，如果创建时指定了name参数，那么该属性的返回值就是 name参数，如果没有指定则为None。
python">import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.name)
series.name='test'
print(series.name)python">None
test3.4、dtype和dtypes
对于Series来说，dtype和dtypes的作用是一样的，都是用来返回Series对象的数据 类型。 需
要注意的是：
该属性是只读属性，不可以通过直接赋值的方式去修改数据类型。
python">import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.dtype)python">int643.5、shape
用于描述Series的形状。
python">import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.shape)python">(3,)3.6、 size
用于返回Series的元素数量，该返回值是一个整数。
python">import pandas as pd
series=pd.Series([1,2,3],index=['a','b','c'])
print(series.size)python">33.7、empty
用来表示Series数组是否为空，返回值一个布尔值，如果数组里一个元素都没有就返 回True，否则返回False。
python">import pandas as pd
series=pd.Series()
print(series.empty)python">True3.8、hasnans
用于返回数组中是否包含NaN值，如果数组中存在NaN，那么返回True，否则返回 False。
python">import pandas as pd
import numpy as np
series=pd.Series([1,2,np.nan],index=['a','b','c'])
print(series.hasnans)python">True3.9、is_unique
用于返回数组中的元素是否为独一无二的，如果所有的元素都是独一无二的，即数组 中没有重复元素，那么就返回True，否则返回False。
python">import pandas as pd
import numpy as np
series=pd.Series(['a','b','c'])
print(series.is_unique)python">True3.10、nbytes
用于返回该Series对象中所有数据占用的总字节数。
python">import pandas as pd
series=pd.Series([1,2,3],dtype='int64')
print(series.nbytes)python">83.11、axes
用于返回series对象行轴标签的列表。
python">import pandas as pd
series = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'], dtype='int64')
print(series.axes)python">[Index(['a', 'b', 'c', 'd', 'e'], dtype='object')]3.12、ndim
返回Series数组的维度，对于Series数组来说，它的维度始终为1。
python">import pandas as pd
series = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'], dtype='int64')
print(series.ndim)python">13.13、array
用于返回Series的底层数组，包括数组的元素、数组的长度及数组元素的数据类型。
python">import pandas as pd
import numpy as np
data = np.array([1, 2, 3, 4, 5])
series = pd.Series(data)
print(series.array)
print(type(series.array))python"><NumpyExtensionArray>
[np.int64(1), np.int64(2), np.int64(3), np.int64(4), np.int64(5)]
Length: 5, dtype: int64
<class 'pandas.core.arrays.numpy_.NumpyExtensionArray'>3.14、attrs
返回series的自定义属性，可以用来存储额外的说明性数据。
python">import pandas as pd
import numpy as np
data = np.array([1, 2, 3, 4, 5])
print(series.attrs)
series.attrs = {'source': 'file1', 'time': '19:27:27'}
print(series)
print('额外属性', series.attrs)python">{}
0 1
1 2
2 3
3 4
4 5
dtype: int64
额外属性 {'source': 'file1', 'time': '19:27:27'}3.15、is_monotonic_decreasing
返回一个布尔值，表示Series是否按降序排列。
python">import pandas as pd
series = pd.Series([5, 4, 3, 2, 1])
print(series.is_monotonic_decreasing)python">True3.16、is_monotonic_increasing
返回一个布尔值，表示Series是否按升序排列。
python">import pandas as pd
series = pd.Series([5, 4, 3, 2, 1])
print(series.is_monotonic_increasing)python">False四、 Series中元素的索引与访问
4.1、位置索引
可以使用整数索引来访问Series中的元素，就像访问列表一样。
python">import pandas as pd
series=pd.Series([10,20,30,40,50,60])print(series[0])
print(series[1])python">10
204.2、标签索引
除了使用位置索引之外，还可以使用标签进行索引，与访问字典中的元素类似。
python">import pandas as pd
series=pd.Series([10,20,30,40,50],index=['a','b','c','d','e'])
print(series['a'])
print(series['c'])python">10
304.3、切片索引
Series对象的切片方式有两种，第一种是使用位置切片，其使用方法与列表的切片类 似；第二种是使用标签切片，其语法与位置切片类似，都是 start:stop，且开始值 与终止值可以省略，但与位置切片不同的是，标签切片的范围是左右都闭合，即既包 含start，又包含stop，而位置切片是左闭右开，只包含start，不包含stop。
python">import pandas as pd
series=pd.Series([10,20,30,40,50],index=['a','b','c','d','e'])
print(series[:])
print(series['b':'d'])python">a 10
b 20
c 30
d 40
e 50
dtype: int64
b 20
c 30
d 40
dtype: int644.4、loc与iloc
loc与iloc也是Series对象的属性，它们的作用就是用来访问Series中的元素，loc是基 于标签的索引，iloc是基于位置的索引。
python">import pandas as pd
series = pd.Series([10, 20, 30, 40, 50], index=['a', 'b', 'c', 'd', 'e'])
print(series.loc['a'])
print(series.iloc[0:2])
print(series.iloc[2])python">10
a 10
b 20
dtype: int64
304.5、at与iat
at与iat也是Series对象的属性，可以用来访问元素，at是基于标签的索引，iat是基于 位置的索引。
python">import pandas as pd
series = pd.Series([10, 20, 30, 40, 50], index=['a', 'b', 'c', 'd', 'e'])
print(series.at['a'])
print(series.iat[0])
print(series.iat[2])python">10
10
304.6、head
head是Series对象的方法，用于快速查看 Series数据的开头部分内容。
python">series.head(n=None)| 描述 | 说明 |
|---|---|
| n | 是可选参数，用于指定要返回的行数。如果不提供该参数，默认值为5。 |
python">import pandas as pd
data = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
index = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
series = pd.Series(data, index=index)
print(series.head())python">a 10
b 20
c 30
d 40
e 50
dtype: int644.7、tail
tail的用法与head类似，但不同的是，它用于快速查看Series数据的末尾部分内容。
python">series.tail(n=None)| 描述 | 说明 |
|---|---|
| n | 是可选参数，用于指定要返回的行数。若不提供该参数，默认值为5。 |
python">import pandas as pd
data = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
index = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
series = pd.Series(data, index=index)
print(series.tail())python">f 60
g 70
h 80
i 90
j 100
dtype: int644.8、isin
该函数用于判断 Series中的每个元素是否在指定的一组值中，它会返回一个与原 Series长度相同的布尔型Series， 其中对应位置为True表示该位置的元素在指定 的值集合中，False则表示不在。
python">series.isin(values)| 描述 | 说明 |
|---|---|
| values | 是一个可迭代对象（如列表、元组、集合等），用于指定要进行判断 的一组值。 |
python">import pandas as pd
data = [10, 20, 30, 40, 50]
series = pd.Series(data)
values_to_check = [20, 40]
result = series.isin(values_to_check)
print(result)python">0 False
1 True
2 False
3 True
4 False
dtype: bool4.9、get
Series.get 方法用于通过标签来获取Series中的元素。
python">Series.get(key, default=None)| 描述 | 说明 |
|---|---|
| key | 你想要获取的元素的标签。 |
| default | 可选参数，如果 key不在标签中，返回这个默认值。如果没有指定，默认为 None。 |
python">import pandas as pd
s = pd.Series(['apple', 'banana', 'cherry'], index=[1, 2, 3])
print(s.get(2))
print(s.get(4, 'Not Found'))python">banana
Not Found五、思维导图
