Series

用法汇总

Series 
    1.Series  类似一维数组
        values：一组数据（ndarray类型）
        index：相关的数据索引标签（自定义的索引名称）
            默认索引为0到N-1的整数型索引
    2.创建
        1.由列表/numpy的数组创建
            创建方式一：默认索引
                s1 = pd.Series([11,22,33])   # 直接这样创建的时候会默认索引0，1，2……
                    0    11
                    1    22
                    2    33
                    dtype: int64   一般这种格式的就是pandas中的一维数组
            创建方式二：设置索引
                1.创建
                    s1 = pd.Series([11,22,33],index=['A','B','C'])   
                        这样创建的时候会将索引设置为ABC的，但是默认索引0，1，2……仍然存在，查询的时候还是可以查询默认索引0，1，2…
                        如果设置索引，一般是用字符串创建索引
                        A    11
                        B    22
                        C    33
                        dtype: int64
                2.索引 index
                    1.查看索引名称
                        s1.index  # Index(['A', 'B', 'C'], dtype='object')
                    2.修改索引名称
                        s1.index = ['a','b','c']
                        s1
                            a    11
                            b    22
                            c    33
                            dtype: int64 
            创建方式三：由字典创建
                s2 = pd.Series({'A':11,'B':22,'C':33})   
                s2
                        A    11
                        B    22
                        C    33
                        dtype: int64 
        2.值 values
            1.查看值
                s1.values  # array([11, 22, 33], dtype=int64)
                tpye(s1.values) # numpy.ndarray  
            2.注意：
                不能直接这样修改值：s1.values = [1,2,3]
    3.索引
        1.索引用法
            使用中括号取单个索引（此时返回的是元素类型）
            中括号里一个列表取多个索引（此时返回的仍然是一个Series类型）
            分为显示索引和隐式索引：
                1.显式索引（自定义的索引名称）
                    1.使用index中的元素作为索引值
                        s2.A   # 用点的时候必须保证后面的变量名遵循变量名命名规范
                        s2['A']
                    2.使用.loc[]（推荐）
                        s2 = pd.Series({1:11,2:22,3:33})  # 当索引名是数字索引的时候，想用显式索引必须加.loc
                        s2.loc[1]
                2.隐式索引（默认的数字索引0开头）
                    1.使用整数作为索引值
                        s2[0]
                    2.使用.iloc[]（推荐） # 当索引名是数字索引的时候，想用显式索引必须加.loc
                        s2.iloc[0]
        2.索引修改值
            s2['A'] = 111
            s2.A = 111
            s2[0] = 111
    4.切片
        1.创建Series
            s5 = pd.Series([11,22,33,44,55,66,77,88],list('ABCDEFGH'))
            s5
                A    11
                B    22
                C    33
                D    44
                E    55
                F    66
                G    77
                H    88
                dtype: int64   
                         
            # name
            # 一般在多维数组中使用，相当于一个表格中不同列的列名
            # s5 = pd.Series([11,22,33,44,55,66,77,88],list('ABCDEFGH'),name='hello')
            # s5
            #     A    11
            #     B    22
            #     C    33
            #     D    44
            #     E    55
            #     F    66
            #     G    77
            #     H    88
            #     Name: hello, dtype: int64
        2.切片
            s5[:4]
                A    11
                B    22
                C    33
                D    44
                dtype: int64
                
            s5['B':'D']  # 闭区间
                B    22
                C    33
                D    44
                dtype: int64   
                
            s5['B':'D']  # 闭区间         
                Series([],dtype: int64)
                
            s5['B':'D':-1]  # 闭区间         
                G    77
                F    66
                E    55
                D    44
                C    33
                B    22
                dtype: int64
    5.基本属性和方法
        s5.shape
        s5.size
        s5.index   # 一般主要用来修改索引名
        s5.values   # 一般用来转换数据类型，得到的是nparray数组 array([11,22,33,……,88],dtype: int64)
        s5.name  # 名字，类似字段名 在这里没什么使用，在二维数组中取到一列或者一行可能会有name，了解即可。
    6.Series 运算
        索引不变，值进行运算  
            1.数学运算
                n + 10
                n - 10
                n * 10
                n / 10
                n // 2
                n % 3  # 余数
                n ** 3  # 次方  
            2.Series 与 Series 之间的运算
                在运算中自动补齐索引，如果索引不对齐，则补NaN
                    s5 = pd.Series({'A':11,'B':22,'C':33})   
                    s6 = pd.Series({'B':100,'C':200,'D':300,'E':400})  
                    s5+s6                     # 有索引名的时候，默认根据索引名进行运算
                        A     NaN
                        B    122.0
                        C    233.0
                        D     NaN
                        E     NaN
                        dtype: float64
                    s5.add(s6)
                        A     NaN
                        B    122.0
                        C    233.0
                        D     NaN
                        E     NaN
                        dtype: float64    
                        与s5+s6结果一样 但是add加参数 fill_value 就不同了:
                            s5.add(s6,fill_value=0)   # fill_value=0 fill_value填充0
                                A     11.0
                                B    122.0
                                C    233.0
                                D    300.0
                                E    400.0
                                dtype: float64    
                        但是目前使用不是很多，了解
    7.总结
        Series 可以看做是一个有序的字典结构

"""
Series 
    1.Series  类似一维数组
        values：一组数据（ndarray类型）
        index：相关的数据索引标签（自定义的索引名称）
            默认索引为0到N-1的整数型索引
    2.创建
        1.由列表/numpy的数组创建
            创建方式一：默认索引
                s1 = pd.Series([11,22,33])   # 直接这样创建的时候会默认索引0，1，2……
                    0    11
                    1    22
                    2    33
                    dtype: int64   一般这种格式的就是pandas中的一维数组
            创建方式二：设置索引
                1.创建
                    s1 = pd.Series([11,22,33],index=['A','B','C'])   
                        这样创建的时候会将索引设置为ABC的，但是默认索引0，1，2……仍然存在，查询的时候还是可以查询默认索引0，1，2…
                        如果设置索引，一般是用字符串创建索引
                        A    11
                        B    22
                        C    33
                        dtype: int64
                2.索引 index
                    1.查看索引名称
                        s1.index  # Index(['A', 'B', 'C'], dtype='object')
                    2.修改索引名称
                        s1.index = ['a','b','c']
                        s1
                            a    11
                            b    22
                            c    33
                            dtype: int64 
            创建方式三：由字典创建
                s2 = pd.Series({'A':11,'B':22,'C':33})   
                s2
                        A    11
                        B    22
                        C    33
                        dtype: int64 
        2.值 values
            1.查看值
                s1.values  # array([11, 22, 33], dtype=int64)
                tpye(s1.values) # numpy.ndarray  
            2.注意：
                不能直接这样修改值：s1.values = [1,2,3]
    3.索引
        1.索引用法
            使用中括号取单个索引（此时返回的是元素类型）
            中括号里一个列表取多个索引（此时返回的仍然是一个Series类型）
            分为显示索引和隐式索引：
                1.显式索引（自定义的索引名称）
                    1.使用index中的元素作为索引值
                        s2.A   # 用点的时候必须保证后面的变量名遵循变量名命名规范
                        s2['A']
                    2.使用.loc[]（推荐）
                        s2 = pd.Series({1:11,2:22,3:33})  # 当索引名是数字索引的时候，想用显式索引必须加.loc
                        s2.loc[1]
                2.隐式索引（默认的数字索引0开头）
                    1.使用整数作为索引值
                        s2[0]
                    2.使用.iloc[]（推荐） # 当索引名是数字索引的时候，想用显式索引必须加.loc
                        s2.iloc[0]
        2.索引修改值
            s2['A'] = 111
            s2.A = 111
            s2[0] = 111
    4.切片
        1.创建Series
            s5 = pd.Series([11,22,33,44,55,66,77,88],list('ABCDEFGH'))
            s5
                A    11
                B    22
                C    33
                D    44
                E    55
                F    66
                G    77
                H    88
                dtype: int64   
                         
            # name
            # 一般在多维数组中使用，相当于一个表格中不同列的列名
            # s5 = pd.Series([11,22,33,44,55,66,77,88],list('ABCDEFGH'),name='hello')
            # s5
            #     A    11
            #     B    22
            #     C    33
            #     D    44
            #     E    55
            #     F    66
            #     G    77
            #     H    88
            #     Name: hello, dtype: int64
        2.切片
            s5[:4]
                A    11
                B    22
                C    33
                D    44
                dtype: int64
                
            s5['B':'D']  # 闭区间
                B    22
                C    33
                D    44
                dtype: int64   
                
            s5['B':'D']  # 闭区间         
                Series([],dtype: int64)
                
            s5['B':'D':-1]  # 闭区间         
                G    77
                F    66
                E    55
                D    44
                C    33
                B    22
                dtype: int64
    5.基本属性和方法
        s5.shape
        s5.size
        s5.index   # 一般主要用来修改索引名
        s5.values   # 一般用来转换数据类型，得到的是nparray数组 array([11,22,33,……,88],dtype: int64)
        s5.name  # 名字，类似字段名 在这里没什么使用，在二维数组中取到一列或者一行可能会有name，了解即可。
    6.Series 运算
        索引不变，值进行运算  
            1.数学运算
                n + 10
                n - 10
                n * 10
                n / 10
                n // 2
                n % 3  # 余数
                n ** 3  # 次方  
            2.Series 与 Series 之间的运算
                在运算中自动补齐索引，如果索引不对齐，则补NaN
                    s5 = pd.Series({'A':11,'B':22,'C':33})   
                    s6 = pd.Series({'B':100,'C':200,'D':300,'E':400})  
                    s5+s6                     # 有索引名的时候，默认根据索引名进行运算
                        A     NaN
                        B    122.0
                        C    233.0
                        D     NaN
                        E     NaN
                        dtype: float64
                    s5.add(s6)
                        A     NaN
                        B    122.0
                        C    233.0
                        D     NaN
                        E     NaN
                        dtype: float64    
                        与s5+s6结果一样 但是add加参数 fill_value 就不同了:
                            s5.add(s6,fill_value=0)   # fill_value=0 fill_value填充0
                                A     11.0
                                B    122.0
                                C    233.0
                                D    300.0
                                E    400.0
                                dtype: float64    
                        但是目前使用不是很多，了解
    7.总结
        Series 可以看做是一个有序的字典结构
"""