一. Series 简介
Series是一种类似于一维数组的对象，是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据也可产生简单的Series对象 Series 总的来说就是带标签的一维数组，可存储整数、浮点数、字符串、Python对象等类型的数据。标签轴通常叫做索引。
二. 实例化 Series
2.1 使用一维数组实例化
用一维数组实例化Series时，索引长度必须与数组长度一致。没有指定索引时，Pandas会帮我们创建默认的数值型索引。
In [1]: s1 = pd.Series([1, 2, 3, 4])
Out[1]:
0 1
1 2
2 3
3 4
dtype: int64
In [2]: s2 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
Out[2]:
a 1
b 2
c 3
d 4
dtype: int64
注意: Pandas 是支持重复索引的。但我们也可以重置索引，具体操作方法在后续章节中会给出。
2.2 使用字典实例化
使用字典实例化Series时, 如果未传入索引，则索引的值为字典的key：
In [1]: pd.Series({'i': 0, 'j': 1, 'k': 2})
Out[1]:
i 0
j 1
k 2
dtype: int64
2.3 使用标量例化
使用标量值实例化时，必须提供索引。Series 按索引长度重复该标量值。
In [1]: pd.Series(6, index=[0, 1, 2])
Out[1]:
0 6
1 6
2 6
dtype: int64
三.Series 简单使用
3.1 为Series添加Name属性
在实例化Series时，可以传入name参数为Series添加name属性。同时，Seires也支持重命名:
In [1]: s = pd.Series(6, index=[0, 1, 2], name='six')
Out[1]:
0 6
1 6
2 6
Name: six, dtype: int64
In [2]: s.name
Out[2]: 'six'
In [3]: s = s.rename('sixsixsix')
In [4]: s.name
Out[4]: 'sixsixsix'
3.2 基于位置的切片
Series提供了类似于Python列表的切片方式：
In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[1]: s[0:2] #取下标为0和1的两个数据（不包括2，也就是从第一个开始取，取两个数据）
Out[1]：
a 1
b 2
dtype: int64
In[2]: s[:3] #取前三个数据
Out[2]：
a 1
b 2
c 3
dtype: int64
In[3]: s[-2:] #取最后两个数据（也可以理解为从倒查第二个数据一直取到末尾）
Out[3]：
c 3
d 4
dtype: int64
In[4]: s[[0,2,3]] #取第1、3、4这个三个数据（注意下标是从0开始的，转换为位置时需+1）
Out[4]：
a 1
c 3
d 4
dtype: int64 #注意：如果输入的位置大于列表的长度则会报出“indexers are out-of-bounds”异常
3.3 基于索引的切片
Series可使用索引标签的值来提取值：
In [0]：s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In [1]: s['a'] #提取s中，标签为a的值
Out[1]：
a 1
dtype: int64
In [1]: s[['a', 'b', 'c']] #提取s中，标签为a, b, c的值
Out[1]：
a 1
b 2
c 3
dtype: int64
如果传入的索引标签的值不在Seires的轴索引中，那将会报 KeyError 异常，这里建议大家使用Series的 get 方法获取值,如果不存在，则会返回None，同时也可设置default参数，用于不存在时的默认返回值。
In [0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In [1]: s['f'] #提取s中，标签为f的值, f不存在，将会报出异常
Out[1]：KeyError
In [2]：s.get('f') #提取s中，标签为f的值, 若f不存在，默认返回None
Out[2]：None
In [3]：s.get('f'. default=-1) #提取s中，标签为f的值, 若f不存在，返回-1
Out[3]：-1
3.4 基于条件的切片
In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[1]: s[s < 2] #提取s中，小于2的值
Out[1]：
a 1
b 2
dtype: int64
In[1]: s[s> s.mean()] #提取s中，大于平均数的值
Out[1]：
c 3
d 4
dtype: int64
In[1]: s[s.between(1, 3, inclusive=False)] #提取s中，值介于1，3之间的数据(不包含1，3)
Out[1]：
b 2
dtype: int64
在提取区间数据时，如果想让两端的值包含其中（满足两端的值也被提取出来），只需要把 inclusive 参数的值赋为True
3.5 其他操作
Series 不用循环也可以像操作单个数值一样快速进行数学运算：
In[0]: s = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[1]: s + s
Out[1]：
a 2
b 4
c 6
d 8
dtype: int64
In[2]: s - 1
Out[2]：
a 0
b 1
c 2
d 3
dtype: int64
Series 之间的操作会自动 基于标签 对齐数据. 如果一个Series中的标签在另一个Series中不存在，那么计算得到的结果将是NaN,即缺失值，有缺失值NaN的处理在后续章节也会讲到。因此，我们不用顾及执行操作的Series是否有相同的标签。 Pandas数据结构集成的数据对齐的功能，是Pandas区别于大多数标签型数据处理工具的重要特性。
In[0]: s1 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
In[0]: s2 = pd.Series([3, 6, 11], index=['a', 'b', 'f'])
In[1]: s1 + s2
Out[1]:
a 4.0
b 8.0
c NaN
d NaN
f NaN
dtype: float64
