Python Pandas 数据结构之Series

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。

对于没有经验的新手朋友来说，安装Pandas以及其余的NumPy和SciPy等工具包可能会有点困难。

最简单的方法不是直接安装Pandas，而是安装Python和构成SciPy数据科学技术栈的最流行的工具包（IPython，NumPy，Matplotlib，…）的集合Anaconda，它是一个跨平台（Linux，Mac OS X，Windows）的Python发行版，用于数据分析和科学计算。

本人就是小白，所以直接使用安装Anaconda的方式了。

Pandas 建立在NumPy之上，旨在与许多其他第三方库完美地集成在科学计算环境中。
以下是 pandas 做够胜任的一些事情：

1. 在浮点和非浮点数据中轻松处理缺失数据（表示为NaN）
2. 大小可变性：可以从DataFrame和更高维度的对象中插入和删除
3. 自动和显式数据对齐：对象可以明确地与一组标签对齐，或者用户可以简单地忽略标签，让Series，DataFrame等在计算中自动对齐数据
4. 强大，灵活的组（group by）功能，可对数据集执行拆分应用组合操作，用于聚合和转换数据
5. 轻松将其他Python和NumPy数据结构中的不规则，不同索引数据转换为DataFrame对象
6. 基于智能标签的切片，花式索引和子集大数据集
7. 直观合并和加入数据集
8. 灵活的重塑和数据集的旋转
9. 轴的分层标记（每个刻度可能有多个标签）
10. 强大的IO工具，用于从平面文件（CSV和分隔）、Excel文件、数据库以及能从超快的HDF5格式中保存或加载数据
11. 特定时间序列功能：日期范围生成和频率转换、移动窗口统计、移动窗口线性回归、日期转换和滞后等

Pandas中主要有Series和DataFrame两种数据结构。

1 Series 可以看做有标签（默认是整数序列RangeIndex；可以重复）的一维数组（同类型）。是scalars的集合，同时也是DataFrame的元素。
2 DataFrame 一般是二维标签，尺寸可变的表格结构，具有潜在的异质型列。

Series
我们可以称之为序列，它主要是用来存储一行或者一列的数据，以及与其相关的索引集合。想必换个不专业的说法大家就很清楚了：一维数组。

语法：

Series([数据…], index=[索引…])

Series的索引是可以省略的，如果我们省略索引，那么索引号默认从0开始递增。当然了，我们也可以指定索引名，不限于使用整数，字符串也是可以的。

使用list或者索引来构建Series，看个例子：

使用dict来构建Series，看个例子：

Series数据访问可以通过以下方式获取：

1.通过索引访问元素（索引不能越界）

2.如果使用dict构建的，可以通过键值来访问：

注意：通过dict构建的Series，其实也可通过默认从0开始的索引进行访问的。

如果不存在的键值作为索引，会报错：

如果使用索引越界访问：

这里是使用dict构建的Series，所以会有两个错误，第一个会提示键值错误，第二个才是索引越界。

3.通过切片进行数据访问（切片的概念在写python相关的文章有过介绍）

4. 定位获取，也就是获取多个数据，通常用于随机抽样

5.通过条件获取数据

如何向Series数据追加元素呢？我们可以使用append方法来实现。

看个例子：

乍一看好像没什么问题啊，运行后才发现又出错了：

哦，原来问题是出在Series不能追加单个元素，但是能够追加序列啊。

到这里，我们的使用姿势对了，可细心的朋友估计发现了，series_exam1的值怎么没有改变呢？

append方法返回的是一个新的序列，我们需要一个变量来接收这个变化，也就是需要对series_exam1进行赋值。

结果没有问题，series_exam1的值是我们预期的结果，可是索引好像不对啊。。。如果大家介意的话，自己的手动设置下索引了。

删除元素：

1. 通过索引删除，同append方法返回的是一个新的序列

另外一种使用姿势，我们自定义了索引名称的时候：

这里首先通过索引找到对应的索引名称然后进行删除。。。看起来好像没有什么用处啊，有没有？

2. 根据选择条件进行值删除(返回新的序列)

另外我们还可以通过sort_index和reindex方法对Series的索引进行排序。

sort_index默认是升序的，此时参数不用填写，这里为了演示而已。

当然了，还有好多知识点了，这里就先说这些了。