Pandas中的Series对象详解（含Python代码）

1.初识Series对象

Pandas中的Series对象是一个带索引数据构成的一维数组。

可以用一个数组来创建Series对象：

import pandas as pd
data=pd.Series([1,2,3,4,5])
data

从上面的结果中，不难发现Series对象将一组对象和一组索引绑定在一起，我们可以通过values属性和index属性来获取数据。values属性返回的结果与Numpy数组类似；index属性返回的结果是一个类型为pd.Index的类数组对象。

data.index,data.values

(RangeIndex(start=0, stop=5, step=1), array([1, 2, 3, 4, 5], dtype=int64))

和Numpy数组一样，数据可以通过Python的中括号索引标签获取：

data[3]

4

data[:-3]

不难看出，Pandas中的Series对象比它模仿的一维Numpy数组更加通用、灵活。

2.Series是通用的Numpy数组

到目前为止，我们可能看上面的解释认为Series对象和一维Numpy数组基本可以等价交换，但两者间的本质差异是索引：

（1）Numpy数组通过隐式定义的整数索引来获取数值；

（2）Series对象用一种显式定义的索引与数值关联。

显式索引的定义让Series对象有了更强的能力。例如，索引不再仅仅是整数，还可以是任意想要的类型。如果需要，完全可以用字符串定义索引：

data_1=pd.Series([0.5,1.0,1.5,2.0],index=['a','b','c','d'])
data_1

获取数据的方式和之前一样，例如：

data_1['a']

0.5

当然了，也可以使用不连续或者不按顺序的索引：

data_2=pd.Series([1,2,3,4],index=[1,3,5,7])
data_2

3.Series是特殊的字典

我们可以把Pandas中的Series对象看成一种特殊的Python字典，字典是一种将任意键映射到一组任意值的数据结构，而Series对象其实是一种将类型键映射到一组类型值的数据结构。类型至关重要：就像Numpy数组背后特定类型的经过编译的代码使得它在某些操作上比普通的Python列表更加高效一样，Pandas中的Series对象的类型信息使得它在某些操作上比Python的字典更高效。

可以直接使用Python的字典创建一个Series对象，让Series对象与字典的类比更加清晰：

love_percent={'beijing':85,'shanghai':75,'hangzhou':98,'suzhou':90,'nanjing':91}
love_percent

{'beijing': 85, 'shanghai': 75, 'hangzhou': 98, 'suzhou': 90, 'nanjing': 91}

此时我们得到的是一个字典格式：

love_percent_1=pd.Series(love_percent)
love_percent_1

用字典创建Series对象时，其索引默认按照顺序排列。典型的字典数值获取方式依然有效：

love_percent_1['hangzhou']

98

和字典不同，Series对象还支持数组形式的操作，比如切片，具体与上面一致，不再讲述。

4.数据取值与选择

如前面的讲述，Series对象与一维Numpy数组和标准Python字典在许多方面都一样。只要牢记这两个类比，就可以帮助我们更好的理解Series对象的数据索引与选择模式。

1.将Series对象看作字典

和字典一样，Series对象提供了键值对的映射：

love_percent_1['hangzhou']

98

我们还可以用Python字典的表达式和方法来检测键/索引和值：

'changsha' in love_percent_1

False

love_percent_1.keys()

Index(['beijing', 'shanghai', 'hangzhou', 'suzhou', 'nanjing'], dtype='object')

list(love_percent_1.items())

[('beijing', 85),
 ('shanghai', 75),
 ('hangzhou', 98),
 ('suzhou', 90),
 ('nanjing', 91)]

Series对象还可以用字典语法调整数据，就像你可以通过增加新的键扩展字典一样，也可以通过增加新的索引值扩展Series：

love_percent_1['hangzhou']=95
love_percent_1

2.将Series对象看作一维数组

Series不仅有着和字典一样的接口，而且还具备和Numpy数组一样的数组数据选择功能，包括索引、掩码、花哨的索引等操作，具体示例如下所示：

将显式索引作为切片
love_percent_1['beijing':'suzhou']

将隐式整数索引作为切片
love_percent_1[1:3]

掩码
love_percent_1[love_percent_1>85]

花哨的索引
love_percent_1[['beijing','hangzhou']]

在以上示例中，切片是绝大多数混乱之源。需要注意的是，当使用显式索引做切片时，结果包含最后一个索引，而当使用隐式索引做切片时，结果不包含最后一个索引。

3.索引器：loc、iloc

由于整数索引很容易造成混淆，所以Panda提供了一些索引器（indexer）属性来作为取值的方法。它们不是Series对象的函数方法，而是暴露切片接口的属性。

第一种索引器是loc属性，表示取值和切片都是显式的：

love_percent_1.loc['shanghai']

75

love_percent_1['shanghai':'hangzhou']

第二种是iloc属性，表示取值和切片都是Python形式的隐式索引：

love_percent_1.iloc[1]

75