Series相关操作

Series在操作上，与Numpy数据具有如下的相似性：

支持广播与矢量化运算。
支持索引与切片。
支持整数数组与布尔数组提取元素。

运算

Series类型也支持矢量化运算与广播操作。计算规则与Numpy数组的规则相同。同时，Numpy的一些函数，也适用于Series类型，例如，np.mean，np.sum等。
多个Series运算时，会根据索引进行对齐。当索引无法匹配时，结果值为NaN（缺失值）。

说明：

我们可以通过pandas或Series的isnull与notnull来判断数据是否缺失。
除了运算符以外，我们也可以使用Series对象提供的相关方法进行运算【可以指定缺失的填充值】。
尽管Numpy的一些函数，也适用于Series类型，但Series与ndarray数组对于空值NaN的计算处理方式上是不同的。【Numpy的计算，会得到NaN，而Series会忽略NaN】

一. 操作

1. 广播与矢量化计算

# 因为Series内部就关联一个ndarray。（values属性）
# 因此，Series也支持ndarray的运算操作。

# Series也支持广播与矢量化计算。但是这种计算方法与ndarray数组是不同的。
# 对于ndarray，运算是基于位置对齐的。而对于Series，运算时基于索引（index）对齐的。
# 如果索引（index）无法对齐，则会产生空值。

s = pd.Series([1, 2, 3])
s2 = pd.Series([4, 5, 6], index=[1, 2, 3])
# s + 3
# s + s2
# 除了运算符，Series对象也提供了相应的方法，用于计算。
# 运算的方法没有运算符简便，但是，运算方法可以提供比运算符更多的行为空值（方法可以通过参数指定更多的计算行为）。
s.add(s2, fill_value=100)

因为series内部就关联一个ndarray 通过values属性就能访问。所以，series也支持ndarray的运算操作。

Seire也支持广播和矢量化运算，
但是这种计算方式与ndarray数组是不一样的。

Ndarray是根据位置对齐的，
Series是根据索引对齐的。
在这里插入图片描述

2. 索引和切片

3. 基于索引数组提取元素

4. 基于布尔数组提取元素

# Series也支持索引与切片。
# s = pd.Series([5, 7, 9])
# s[2]
# s[0:2]
# 基于索引数组提取元素。
# s[[0, 2]]
# 基于布尔数组提取元素。
# s[[True, False, True]]
# s[s > 6]

在这里插入图片描述

在这里插入图片描述
往往是传过滤数组。

在这里插入图片描述

二. 运算

# 空值（缺失值）判断
# 空值 =》 NaN None
s = pd.Series([1, None, float("NaN")])
# 判断元素是否为空值，是返回True，否则返回False。
# s.isnull()
# 如果元素不是空值，返回True，否则返回False。
# s.notnull()

# Numpy的一些方法，也支持Series类型。例如，np.mean,np.sum等。
# 但是，Series与ndarray对空值的表现是不同的。
# 对于ndarray，如果存在空值，则结果为NaN，对于Series，如果存在空值，则忽略空值。
a = np.array([1, 2, 3, np.NaN])
s = pd.Series([1, 2, 3, np.NaN])
np.sum(s)