作者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai
简介
Pandas 是一个功能强大的工具包，为 Python 编程语言提供数据分析工具和结构。
pandas 提供的最重要的一个特性是 Series。在本文中，我们从初学者的角度介绍 Series 类。这意味着你无序了解有关 pandas 或者数据分析的任何信息即可从本教程理解 Series。
什么是 Series？
Series 类似于 Python 中的列表或者数组。它表示一系列的值（数字或者其他数据），例如一列数字。你可以把它想象成一个固定的 Python 列表。它体用了额外的功能，方法和操作符，使其成为列表的更强大版本。
要开始使用 Series，你需要将 pandas 包导入到 Python 程序中。这个也非常简单，我们只需要导入包就行了：
import pandas as pd
3. 从列表创建 Series
现在让我们学习如何创建一个 Series。由于系列类似于列表，我们使用列表来创建 Series。
import pandas as pd
ser = pd.Series([1,3,5,7])
print(ser)
0 1
1 3
2 5
3 7
dtype: int64
请注意，打印 Series 时，会打印两列数字。第一列称为索引。它通常从 0 开始并一直运行到 N-1，其中 N 是Series 的大小。我们可以通过 ser.shape 来查看 Series 的大小。第二列是我们输入的实际数据。
4. 使用 Dict 初始化系列
也可以使用 Python 字典来初始化 Series。在这种情况下，Series 从 dict 的键中获取其索引，如本例所示：
prices = {'apple': 4.99,
'banana': 1.99,
'orange': 3.99,
'grapes': 0.99}
ser = pd.Series(prices)
print(ser)
apple 4.99
banana 1.99
grapes 0.99
orange 3.99
dtype: float64
5. 从标量初始化 Series
你还可以使用标量来初始化 Series。在这种情况下，Series 的所有元素都初始化为相同的值。与标量一起使用进行初始化时，可以指定索引数组。在这种情况下，Series 的大小与索引数组的大小相同。
在下面的实例中，我们使用 range() 函数来指定索引（从而指定 Series 的大小）。
ser = pd.Series(2, index=range(0, 5))
print(ser)
0 2
1 2
2 2
3 2
4 2
dtype: int64
6. 创建 Series 的其他一些方法
以下是一些其他初始化的方法。
6.1 创建一个奇数序列
我们使用 range() 函数来创建一系列奇数。
ser = pd.Series(range(1, 10, 2))
print(ser)
0 1
1 3
2 5
3 7
4 9
dtype: int64
6.4 使用字母索引
ser = pd.Series(range(1, 15, 3), index=[x for x in 'abcde'])
print(ser)
a 1
b 4
c 7
d 10
e 13
dtype: int64
6.3 随机数序列
使用随机范围初始化系列：
import random
ser = pd.Series(random.sample(range(100), 6))
print(ser)
0 69
1 62
2 57
3 67
4 97
5 4
dtype: int64
6.4 结合列表
如果你有一个列表中的数据和另一个列表中的索引，有几种方法可以从中创建一个 Series。比如使用 dict。
x = dict(zip([x for x in 'abcdefg'], range(1, 8)))
print(x)
y = pd.Series(x)
print(y)
{'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5, 'f': 6, 'g': 7}
a 1
b 2
c 3
d 4
e 5
f 6
g 7
dtype: int64
指定索引
跳过定义字典并直接创建 Series。
ser = pd.Series(range(1,8), index=[x for x in 'abcdefg'])
print(ser)
a 1
b 2
c 3
d 4
e 5
f 6
g 7
dtype: int64
7. 对 Series 进行命名
你还可以为 Series 指定名称。当在 DataFrame 的上下文中使用时，这个名称是可以作为列名的。
a = [1, 3, 5, 7]
print(pd.Series(a, name='joe'))
0 1
1 3
2 5
3 7
Name: joe, dtype: int64
8. 将列表与 Series 进行比较
Series 就像一个列表，我们可以按照列表的索引和切片来处理 Series。请注意，切片运算符返回的还是一个 Series 本身。
ser = pd.Series(random.sample(range(100), 10))
print(ser)
print('4th element: ', ser[4])
print('Slice: ', ser[3:8])
0 60
1 8
2 19
3 25
4 24
5 87
6 14
7 38
8 5
9 89
dtype: int64
4th element: 24
Slice: 3 25
4 24
5 87
6 14
7 38
dtype: int64
8.1 使用比较进行提取
虽然可以使用索引和切片提取列表元素，但也可以使用比较函数（返回 True 或者 False 的函数）提取 Series 元素，比如下面的例子：
x = random.sample(range(100), 10)
print(x)
y = pd.Series(x)
print(y)
print("===============")
print(y[y > 40])
[9, 71, 31, 83, 28, 40, 74, 58, 21, 42]
0 9
1 71
2 31
3 83
4 28
5 40
6 74
7 58
8 21
9 42
dtype: int64
===============
1 71
3 83
6 74
7 58
9 42
dtype: int64
8.2 使用列表索引
除了使用比较函数进行提取之外，还可以使用列表作为索引从 Series 中检索项目。
x = random.sample(range(100), 10)
print(x)
y = pd.Series(x)
print(y[[2, 0, 1, 2]])
[18, 3, 4, 70, 8, 79, 86, 82, 34, 53]
2 4
0 18
1 3
2 4
dtype: int64
8.3 利用函数来抽取 Series
与列表不同，我们可以使用 Series 调用接受标量参数的函数。返回的结果将是另一个 Series，其功能应用于 Series 中的每个元素。这允许更灵活和简介的方式来组合操作。
def joe(x): return x + 10
x = random.sample(range(100), 10)
print('Data => ', x, '\n')
y = pd.Series(x)
print('Applying pow => \n', pow(y, 2), '\n')
print('Applying joe => \n', joe(y))
Data => [25, 35, 54, 72, 12, 46, 74, 15, 93, 3]
Applying pow =>
0 625
1 1225
2 2916
3 5184
4 144
5 2116
6 5476
7 225
8 8649
9 9
dtype: int64
Applying joe =>
0 35
1 45
2 64
3 82
4 22
5 56
6 84
7 25
8 103
9 13
dtype: int64
9. 比较 dict 和 Series
Series 也表现的像 Python 字典一样。
9.1 使用标签进行索引
例如，你可以使用索引标签提取项目。
x = pd.Series(range(1,8), index=[x for x in 'abcdefg'])
print(x, '\n')
print('element "d" => ', x['d'])
a 1
b 2
c 3
d 4
e 5
f 6
g 7
dtype: int64
element "d" => 4
9.2 元素检查
使用 in 运算符检查 Series 是否包含特定标签。
x = pd.Series(range(1,8), index=[x for x in 'abcdefg'])
print(x, '\n')
print('is "j" in x?', 'j' in x)
print('is "d" in x?', 'd' in x)
a 1
b 2
c 3
d 4
e 5
f 6
g 7
dtype: int64
is "j" in x? False
is "d" in x? True