Series(四)：Series的底层就是ndarray数组，讲述一下它们在运算时的异同。

1、说明

  由于pandas的底层是集成了numpy，因此Series的底层数据就是使用ndarray来构建的，因此我们得到了一个Series后，就可以使用numpy中的函数，直接操作Series。但是Series与ndarry不同的地方在于，Series中多了一个索引。
  这些问题都是细节问题，只有熟悉了这些细节知识，对于我们熟练使用numpy和pandas都是有很大帮助的。Series的底层数据就是由ndarray来构建的，而DataFrame又是由一个个的Series堆积而成的，随意取出DataFrame每一行或者每一列数据，都是一个Series。

2、运算时的相同点

① 直接使用numpy中的函数操作Series

import numpy as np
import pandas as pd

s = pd.Series([1,2,3,4])
display(s)
display(np.sum(s))
display(np.mean(s))

结果如下：

② 使用Series得到ndarray后，再使用numpy中的函数操作Series

s = pd.Series([1,2,3,4])
display(s.values)
display(type(s.values))

display(np.sum(s))
display(np.mean(s))

结果如下：

3、运算时的不同点

① 对于不同的ndarray，直接是对应元素相加

x = np.array([1,2,3,4])
display(x)

y = np.array([1,2,3,4])
display(y)

display(x+y)

结果如下：

② 对于不同的Series，在运算时按照索引进行匹配运算

x = pd.Series([1,2,3,4],index=["a","b","c","d"])
display(x)

y = pd.Series([1,2,3,4],index=["b","c","d","e"])
display(y)

display(x+y)

结果如下：

注意：索引匹配上的数据，元素对应相加。索引没有匹配上的数据，返回NaN值。

③ 对于索引无法匹配的情况，可以使用默认值代替

x = pd.Series([1,2,3,4],index=["a","b","c","d"])
display(x)

y = pd.Series([1,2,3,4],index=["b","c","d","e"])
display(y)

display(x+y)

display(x.add(y,fill_value=100))

结果如下：

说明：对于x有索引a，但是y没有索引a，因此使用的默认值后，相当于给y添加了一个a索引，值为100，然后就是1+100=101。对于x没有有索引e，但是y有索引e，因此使用的默认值后，相当于给x添加了一个e索引，值为100，然后就是4+100=104。

假如你非要将索引不同的Series，进行对应位置元素相加，那么只能是重置索引。也就是说，将两个索引不同的Series换上相同的索引，再进行对应元素相加。

4、ndarry和Series数据中，如果存在NaN值，计算会出现什么情况？

x = np.array([1,2,3,np.NaN])
display(x)
display(np.mean(x))

y = pd.Series([1,2,3,np.NaN])
display(y)
display(np.mean(y))

结果如下：

结果说明：从上图结果可以看出，ndarry不会自动忽略nan值计算，而Series会自动忽略掉nan值进行计算。这是由于不同Series元素之间进行元素运算，是按照索引进行匹配相加的，这样就会导致很多nan值的出现，因此Series在numpy基础上做了部分改进，即可以直接忽略nan值运算。