二、Pandas-1.pandas数据结构-Series

"""
    Pandas常用的两个工具数据结构：
        1.Series
        2.DataFrame

    Series：
        Series是一种一维的数组型对象，包含了一个值序列（与Numpy中的类型相似），并且包含了数据标签，称为索引（index）

        交互式环境中，Series的字符串表示，索引在左边，值在右边。
        如果不人为的给数据指定索引，默认生成的索引是从0~N-1（N为数据的长度）

        Series的属性：
            1.values：获取Series对象的值
            2.index：获取Series对象的索引

        如果人为的设置了索引（通常情况下，也是需要设置的），那么选择数据的时候可以使用标签来进行索引
"""
import pandas as pd

series_1 = pd.Series([1, 2, 3, 4])
print(series_1)
print(series_1.iloc[0])

series_2 = pd.Series([99, 98, 97, 100], index=["XiaoMIng", "XiaoHong", "XiaoGang", "XiaoLiang"])
print(series_2)
print(series_2[series_2 > 98])
print(series_2["XiaoHong"])
print(series_2[["XiaoHong", "XiaoLiang"]])

# 从另一个角度考虑Series，可以认为是一个长度固定且有序的字典，因为它将索引值和数据值按位置配对。
# 因此，在使用字典的上下文中，也可以使用Series

"""
    把字典传递给Series构造函数时，产生的Series的索引将是排序好的字典键名
    同时，也可以将字典键按照想要的顺序传递给构造函数，从而生成的Series的索引顺序符合预期
"""
player = {"Faker": 1001, "Uzi": 1002, "Khan": 1003, "Ming": 1004, "MLXG": 1005}
series_3 = pd.Series(player)
print(series_3)

series_4 = pd.Series(player, index=["Uzi", "Ming", "MLXG", "Faker", "Khan", "XiaoHu"])
print(series_4)  # 因为没有对应的XiaoHu的数据，所以对应的值为NaN，这是pandas中标记缺失值或NA值的方式

"""
    pandas使用pd.isnull()和pd.notnull()函数来检查缺失数据
"""
print(pd.isnull(series_4))
print(pd.notnull(series_4))

"""
    Series对象自身和其索引都有name属性
    索引可以通过按位置赋值的方式进行改变
"""
series_4.index.name = "player_name"
print(series_4)

series_5 = pd.Series([1, 2, 3, 4])
series_5.index = ["One", "Two", "Three", "Four"]
print(series_5)