数据分析系列Pandas之Series对象的创建、索引和切片

　　接下来几周的文章我们会给大家主要介绍Pandas的使用，Pandas是一个Python 的包，提供快速、灵活和富有表现力的数据结构，旨在使"关系或标记数据的使用既简单又直观"。它的目标是成为用Python进行实际的、真实的数据分析的基础高级模块。

　　**Pandas的数据结构**,分两种:**Series**和**DataFrame**.

　　> 1、Series 一维，带标签数组 Series的中文意思是序列,系列.

　　> 2、DataFrame 二维，Series容器

　　本篇文章主要介绍Series的使用。：

　　#### Series简介

　　Serial对象本质上由两个数组构成，一个数组构成对象的健(index,索引),一个数组构成对象的值(values).因此Series可以看作是键值对。Series是**带标签**的一维数组，可存储整数、浮点数、字符串、Python 对象等类型的数据。轴标签统称为**索引，**它由两部分组成**。**

　　- values:一组数据(ndarray类型)

　　- index:相关的数据索引标签

　　如图：

　　特点：标签(index)与数据(value)默认对齐，除非特殊情况，一般不会断开连接，因此通过索引取值非常方便，不需要循环，可以直接通过字典方式，key 获取value.

　　#### Series 创建的几种方式

　　创建Series对象使用Pandas中的Series，

　　```

　　Series组成部分：pd.Series(data=None, index=None, dtype=None)

　　其中参数：data参数支持多种数据类型，比如列表，字典等，index是一个可选参数表示索引标签，通过dtype指定数据类型

　　```

　　Series的创建方式有多种：

　　> 1. 标量创建

　　> 2. 列表创建

　　> 3. numpy创建

　　> 4. 字典创建

　　**标量创建：**

　　```

　　import numpy as np

　　import pandas as pd

　　tes = pd.Series(10,index=list('abcde'))

　　tes

　　```

　　**列表创建**

　　即已知一个list结构的数据，通过该数据创建Series对象。

　　```

　　# lst = [11,0,3,7,9,19,4]

　　# s = pd.Series(lst) # 默认隐式索引

　　# s

　　lst = [11,0,3,7,9,19,4]

　　s = pd.Series(lst,index=["A","B","C","D","E","F","G"]) # 通过index设置显式索引

　　s

　　```

　　**numpy创建**

　　即Series中传入的是ndarray对象。

　　```

　　# data = np.random.randint(0,100,size=(6,))

　　# s = pd.Series(data=data)

　　# s

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data,index=list('abcdef'))

　　s

　　```

　　结果：

　　**字典创建**

　　```

　　dic = {"A":1,"B":2,"C":3,"D":2}

　　s = pd.Series(dic) # 索引默认就是字典的key值

　　s

　　```

　　结果：

　　#### Series的索引和切片

　　因为Series只有一列，因此一般只对行进行操作，索引分为隐式索引和显示索引，因此不同的方式操作起来也不一样。

　　索引分别为哪些呢?

　　> 1. 位置下标

　　>

　　> 2. 标签索引

　　> 3. 布尔型索引

　　> 4. 切片索引

　　位置下标：当使用默认值索引的时候，通常使用位置下标。类似列表的索引使用方式

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data)

　　print(s[0])

　　print(s[3])

　　print(s[4])

　　```

　　标签索引：类似字典通过key获取value的方式，通常用在显示索引的时候。

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data,index=list('abcdef'))

　　print(s['a'])

　　print(s['f'])

　　print(s['c'])

　　```

　　布尔型索引: 通过一个布尔型的数组获取Series对象中的值。

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data,index=list('abcdef'))

　　print(s)

　　s2 = s>50 # 获取s中大于50的元素，结果会是一个bool类型的数组

　　print(s2) # 打印s2得到的是一个bool类型的数组

　　print(s[s2]) # 通过s2这个bool数组获取s中的元素

　　```

　　结果：

　　切片索引：即切片，类似列表的切片使用，但是又有所区别。

　　隐式索引的使用：

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data)

　　print(s)

　　print(s[1:5])

　　print(s[:4])

　　print(s[2:])

　　print(s[::2])

　　```

　　结果：

　　当然也可以使用iloc完成Series对象中元素的获取，使用方式如下：

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data)

　　print(s.iloc[2]) # 指定下标

　　print(s.iloc[1:3]) # 指定切片范围

　　```

　　结果：

　　显示索引的切片使用

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data,index=list('abcdef'))

　　print(s)

　　print(s['a':'d'])

　　print(s['a':])

　　print(s[:'f'])

　　print(s[::2])

　　```

　　结果：

　　显示索引也可以使用loc的方式获取元素

　　```

　　print(s.loc['a':'e'])

　　print(s.loc[['a','c','f']])

　　```

　　结果：

　　总结：

　　1. **Series的索引和切片只针对行而言，因为它只有一列**

　　2. **loc是对于显式索引的相关操作(对于标签的处理)，iloc是针对隐式索引的相关操作(对于整数的处理)。**

　　3. **我们发现其实s[0:2] 与 s.iloc[0:2]没有太大差别(显式索引也是一样)，这并不说明iloc就没有用，个人觉得它更有意义的是在DataFrame当中使用**

　　#### Series的基本使用

　　**显示Series部分数据内容**

　　**s.head(n)** 该函数代表的意思是显示前多少行，可以指定显示的行数，不写n默认是前5行

　　**s.tail(n)** 该函数代表的意思是显示后多少行，可以指定显示的行数，不写n默认是前5行

　　**s.unique()** 去除重复的值

　　**s.notnull()** 不为空返回True，为空返回False

　　**s.isnull()** 不为空返回False，为空返回True

　　```text

　　lst = [1,3,5,6,10,23]

　　s1 = pd.Series(lst,index=["A","B","C","D","E","F"])

　　print(s1.head()) # 获取前5行

　　print(s1.tail()) # 获取后5行

　　print(s1.unique()) # 去除重复的值

　　s1['D']=None # 修改D索引对应的值为None

　　print(s1.isnull()) # 判断是否有空值

　　print(s1.notnull()) # 判断是否有非空值

　　```

　　结果：