Pandas数据结构：Series定义和创建

---

Pandas中重要的两个数据结构：Series和DataFrame。数据分析必学的两种数据结构，这两种数据结构以Numpy的Ndarray为基础，在Ndarray的基础上将功能做了扩展。需要掌握这两种数据结构的定义、创建、属性、函数。Python数据分析中所使用的大部分代码都属于对这两种数据结构的操作。每个知识点都会写一篇文章做详细讲解，本文主要介绍Series的定义和创建。

---

Series

定义

Series是可以自定义行标签（index）的一维数组。从定义中可以看出Series就是一个数组（ndarray），并且是一个一维数组，所以它的维度（ndim属性）永远都是1。 除此以外，ndarray有的属性和方法Series全部都有，并且在此基础上还做了扩展。例如：Series可以自定义行索引，也就是说如果从Series中获取元素的方法比数组（ndarray）的方法多，除了可以使用整数索引以外还可以使用自定义的行索引进行获取。定义虽然简单，但是非常重要，从定义可以知道Series的很多功能，当然，这必须是对Numpy学习很扎实的条件下。

创建

Series创建的语法如下：

从语法可以看出这是一个类，需要注意的是在创建时’Series’的首字母必须大写。

class pandas.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False)

参数：

• data：接收array_like，可迭代对象，字典或者标量，创建Series需要的数据。
• index：接收array_like，Series的行索引。
• dtype：接收str，numpy数据类型，Series的数据类型。
• name：接收str，给Series取的名字。
• copy：接收bool值，默认False，是否复制输入的数据。

示例：

使用数组创建：

>>> import numpy as np
>>> import pandas as pd

>>> arr01 = np.arange(10,16)
>>> ser01 = pd.Series(data=arr01, index=['a','b','c','d','e','f'],dtype=np.int16, name='age', copy=True)
>>> ser01
a    10
b    11
c    12
d    13
e    14
f    15
Name: age, dtype: int16

使用字典创建：

>>> d = {'a':1, 'b':2, 'c':3, 'd':4, 'e':5, 'f':6}
>>> ser02 =  pd.Series(data=d, dtype='int16')
>>> ser02
a    1
b    2
c    3
d    4
e    5
f    6
dtype: int16

使用标量创建：

>>> ser03 = pd.Series(data=10, index=['a','b','c','d','e','f'], dtype='int16')
>>> ser03
a    10
b    10
c    10
d    10
e    10
f    10
dtype: int16

使用可迭代对象创建：
除以上几种数据类型外，列表、元组等可迭代对象都可以当作数据源给参数data传递数据。如果没有设置参数index，则会使用整数索引作为Series的行索引。

>>> ser04 = pd.Series(data=range(1,10), dtype='int16')
>>> ser04
0    1
1    2
2    3
3    4
4    5
5    6
6    7
7    8
8    9
dtype: int16

0~8为行索引
1~9为数据