import pandas as pd s1 = pd.Series([i for i in range(1,6)])
- 访问所有的索引
s1.index
RangeIndex(start=0, stop=5, step=1)
- 访问所有的值
s1.values
array([1, 2, 3, 4, 5])
- 传入ndarray
s2 = pd.Series(np.arange(10))
s2
0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 dtype: int64
- 传入字典
s3 = pd.Series({'1': 1, '2': 2, '3': 3})
s3
1 1 2 2 3 3 dtype: int64
s3.index
Index(['1', '2', '3'], dtype='object')
s3.values
array([1, 2, 3])
- 指定index
s4 = pd.Series([1, 2, 3, 4], index=['A', 'B', 'C', 'D'])
s4
A 1 B 2 C 3 D 4 dtype: int64
s4.values
array([1, 2, 3, 4])
s4.index
Index(['A', 'B', 'C', 'D'], dtype='object')
- Series的访问
s4['A']
1
- Series的筛选
s4[s4>2]
C 3 D 4 dtype: int64
- 转化为字典
s4.to_dict()
{'A': 1, 'B': 2, 'C': 3, 'D': 4}
# 如果只传入一个字典，则结果Series中的索引就是原字典的键（有序排列）。你可以传入排好序的字典的键以改变顺序： s5 = pd.Series(s4.to_dict()) s5
A 1 B 2 C 3 D 4 dtype: int64
index_1 = ['A', 'B', 'C','D','E'] s6 = pd.Series(s5, index = index_1)
s6 #由于E这个索引没有对应的值，即为NaN（即“非数字”（not a number），在pandas中，它用于表示缺失或NA值
A 1.0 B 2.0 C 3.0 D 4.0 E NaN dtype: float64
- 我将使用缺失（missing）或NA表示缺失数据。pandas的isnull和notnull函数可用于检测缺失数据：
pd.isnull(s6)
A False B False C False D False E True dtype: bool
# Series也有类似的实例方法, 面向对象调用 s6.isnull()
A False B False C False D False E True dtype: bool
pd.notnull(s6)
A True B True C True D True E False dtype: bool
- Series对象本身及其索引都有一个name属性，该属性跟pandas其他的关键功能关系非常密切：
s6.name = 'DEMO1'
s6
A 1.0 B 2.0 C 3.0 D 4.0 E NaN Name: DEMO1, dtype: float64
s6.index.name = 'demo_index'
s6
demo_index A 1.0 B 2.0 C 3.0 D 4.0 E NaN Name: DEMO1, dtype: float64
- Series的索引可以通过赋值的方式就地修改：
s6.index
Index(['A', 'B', 'C', 'D', 'E'], dtype='object', name='demo_index')
import string up_index = [i for i in string.ascii_lowercase[21:26]] up_index
['v', 'w', 'x', 'y', 'z']
s6.index = up_index
s6
v 1.0 w 2.0 x 3.0 y 4.0 z NaN Name: DEMO1, dtype: float64
