接下來幾周的文章我們會給大家主要介紹Pandas的使用，Pandas是一個Python 的包，提供快速、靈活和富有表現(xiàn)力的數據結構，旨在使"關系或標記數據的使用既簡單又直觀"。它的目標是成為用Python進行實際的、真實的數據分析的基礎高級模塊。

　　**Pandas的數據結構**,分兩種:**Series**和**DataFrame**.

　　> 1、Series 一維，帶標簽數組 Series的中文意思是序列,系列.

　　> 2、DataFrame 二維，Series容器

　　本篇文章主要介紹Series的使用。：

　　#### Series簡介

　　Serial對象本質上由兩個數組構成，一個數組構成對象的健(index,索引),一個數組構成對象的值(values).因此Series可以看作是鍵值對。Series是**帶標簽**的一維數組，可存儲整數、浮點數、字符串、Python 對象等類型的數據。軸標簽統(tǒng)稱為**索引，**它由兩部分組成**。**

　　- values:一組數據(ndarray類型)

　　- index:相關的數據索引標簽

　　如圖：

　　特點：標簽(index)與數據(value)默認對齊，除非特殊情況，一般不會斷開連接，因此通過索引取值非常方便，不需要循環(huán)，可以直接通過字典方式，key 獲取value.

　　#### Series 創(chuàng)建的幾種方式

　　創(chuàng)建Series對象使用Pandas中的Series，

　　```

　　Series組成部分：pd.Series(data=None, index=None, dtype=None)

　　其中參數：data參數支持多種數據類型，比如列表，字典等，index是一個可選參數表示索引標簽，通過dtype指定數據類型

　　```

　　Series的創(chuàng)建方式有多種：

　　> 1. 標量創(chuàng)建

　　> 2. 列表創(chuàng)建

　　> 3. numpy創(chuàng)建

　　> 4. 字典創(chuàng)建

　　**標量創(chuàng)建：**

　　```

　　import numpy as np

　　import pandas as pd

　　tes = pd.Series(10,index=list('abcde'))

　　tes

　　```

　　**列表創(chuàng)建**

　　即已知一個list結構的數據，通過該數據創(chuàng)建Series對象。

　　```

　　# lst = [11,0,3,7,9,19,4]

　　# s = pd.Series(lst) # 默認隱式索引

　　# s

　　lst = [11,0,3,7,9,19,4]

　　s = pd.Series(lst,index=["A","B","C","D","E","F","G"]) # 通過index設置顯式索引

　　s

　　```

　　**numpy創(chuàng)建**

　　即Series中傳入的是ndarray對象。

　　```

　　# data = np.random.randint(0,100,size=(6,))

　　# s = pd.Series(data=data)

　　# s

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data,index=list('abcdef'))

　　s

　　```

　　結果：

　　**字典創(chuàng)建**

　　```

　　dic = {"A":1,"B":2,"C":3,"D":2}

　　s = pd.Series(dic) # 索引默認就是字典的key值

　　s

　　```

　　結果：

　　#### Series的索引和切片

　　因為Series只有一列，因此一般只對行進行操作，索引分為隱式索引和顯示索引，因此不同的方式操作起來也不一樣。

　　索引分別為哪些呢?

　　> 1. 位置下標

　　>

　　> 2. 標簽索引

　　> 3. 布爾型索引

　　> 4. 切片索引

　　位置下標：當使用默認值索引的時候，通常使用位置下標。類似列表的索引使用方式

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data)

　　print(s[0])

　　print(s[3])

　　print(s[4])

　　```

　　標簽索引：類似字典通過key獲取value的方式，通常用在顯示索引的時候。

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data,index=list('abcdef'))

　　print(s['a'])

　　print(s['f'])

　　print(s['c'])

　　```

　　布爾型索引: 通過一個布爾型的數組獲取Series對象中的值。

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data,index=list('abcdef'))

　　print(s)

　　s2 = s>50 # 獲取s中大于50的元素，結果會是一個bool類型的數組

　　print(s2) # 打印s2得到的是一個bool類型的數組

　　print(s[s2]) # 通過s2這個bool數組獲取s中的元素

　　```

　　結果：

　　切片索引：即切片，類似列表的切片使用，但是又有所區(qū)別。

　　隱式索引的使用：

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data)

　　print(s)

　　print(s[1:5])

　　print(s[:4])

　　print(s[2:])

　　print(s[::2])

　　```

　　結果：

　　當然也可以使用iloc完成Series對象中元素的獲取，使用方式如下：

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data)

　　print(s.iloc[2]) # 指定下標

　　print(s.iloc[1:3]) # 指定切片范圍

　　```

　　結果：

　　顯示索引的切片使用

　　```

　　data = np.random.randint(0,100,size=(6,))

　　s = pd.Series(data=data,index=list('abcdef'))

　　print(s)

　　print(s['a':'d'])

　　print(s['a':])

　　print(s[:'f'])

　　print(s[::2])

　　```

　　結果：

　　顯示索引也可以使用loc的方式獲取元素

　　```

　　print(s.loc['a':'e'])

　　print(s.loc[['a','c','f']])

　　```

　　結果：

　　總結：

　　1. **Series的索引和切片只針對行而言，因為它只有一列**

　　2. **loc是對于顯式索引的相關操作(對于標簽的處理)，iloc是針對隱式索引的相關操作(對于整數的處理)。**

　　3. **我們發(fā)現(xiàn)其實s[0:2] 與 s.iloc[0:2]沒有太大差別(顯式索引也是一樣)，這并不說明iloc就沒有用，個人覺得它更有意義的是在DataFrame當中使用**

　　#### Series的基本使用

　　**顯示Series部分數據內容**

　　**s.head(n)** 該函數代表的意思是顯示前多少行，可以指定顯示的行數，不寫n默認是前5行

　　**s.tail(n)** 該函數代表的意思是顯示后多少行，可以指定顯示的行數，不寫n默認是前5行

　　**s.unique()** 去除重復的值

　　**s.notnull()** 不為空返回True，為空返回False

　　**s.isnull()** 不為空返回False，為空返回True

　　```text

　　lst = [1,3,5,6,10,23]

　　s1 = pd.Series(lst,index=["A","B","C","D","E","F"])

　　print(s1.head()) # 獲取前5行

　　print(s1.tail()) # 獲取后5行

　　print(s1.unique()) # 去除重復的值

　　s1['D']=None # 修改D索引對應的值為None

　　print(s1.isnull()) # 判斷是否有空值

　　print(s1.notnull()) # 判斷是否有非空值

　　```

　　結果：