Pandas是Python下最强大的数据分析和探索库，是基于Numpy库构建的，支持类似SQL的结构化数据的增、删、查、改，具有丰富的数据处理函数。Pandas有两大数据结构：Series和DataFrame，本文主要对Series的常用用法进行总结梳理。
约定：
import pandas as pd1.什么是Series对象?
Series对象本质上类似于一个一维数组，由一列元素（由值和对应的索引）组成。
2.Series对象的创建
Series对象的创建主要是使用pd.Series方法。具体又分为两种：
（1）通过列表创建
向pd.Series方法中传入一个列表，未指定索引时，默认从0到N-1。
ser1=pd.Series([11,22,33,44])
ser1
Out[60]:
0 11
1 22
2 33
3 44
dtype: int64也可以使用index参数指定索引：
ser2=pd.Series([11,22,33,44],index=['a','b','c','d'])
ser2
Out[61]:
a 11
b 22
c 33
d 44
dtype: int64（2）通过字典创建
向传入一个字典，字典的键就是索引，值就是值。
ser3=pd.Series({'a':11,'d':22,'c':33})
ser3
Out[62]:
a 11
d 22
c 33
dtype: int643.Series对象的三个要素
Series对象的三个要素：索引、值、名称。
（1）索引
a.索引的查看
通过Series对象的index属性查看索引，返回一个Index对象。
ser1.index
Out[63]: RangeIndex(start=0, stop=4, step=1)
ser2.index
Out[64]: Index([u'a', u'b', u'c', u'd'], dtype='object')索引允许有重复，可使用Index对象的is_unique属性查看是否有重复。
ser1.index.is_unique
Out[65]: Trueb.索引的修改
索引对象是一个不可变数组，不能修改其中的值。
ser1.index[0]=5
Traceback (most recent call last):
File "<ipython-input-68-2029117c9570>", line 1, in <module>
ser1.index[0]=5
File "/usr/local/share/anaconda2/lib/python2.7/site-packages/pandas/indexes/base.py", line 1404, in __setitem__
raise TypeError("Index does not support mutable operations")
TypeError: Index does not support mutable operations如果想修改Series对象的索引，只能将其重定向到一个新的索引对象上。
ser1.index=[5,6,7,8]
ser1.index
Out[70]: Int64Index([5, 6, 7, 8], dtype='int64')c.索引的重排
使用reindex方法对索引进行重排。
ser2.reindex(['b','a','c','d'])
Out[73]:
b 22
a 11
c 33
d 44
dtype: int64重排产生一个新Series对象，原对象不发生改变。
索引重排可实现3个目的：
① 对现有索引进行顺序指定，即重新排列原来的元素顺序；
② 删除某个旧索引，即删除对应元素；
ser2.reindex(['b','a','d'])
Out[74]:
b 22
a 11
d 44
dtype: int64③ 增加某个新索引，即增加新元素，值为NaN。
ser2.reindex(['b','a','e','c','d'])
Out[75]:
b 22.0
a 11.0
e NaN
c 33.0
d 44.0
dtype: float64d.索引的排序
使用sort_index方法根据现有索引进行升序、降序排列。
ser3.sort_index()
Out[80]:
a 11
c 33
d 22
dtype: int64默认按索引取值升序排列，排序后产生一个新Series对象，原对象不发生改变。
（2）值
a.值的查看
通过Series对象的values属性查看值，返回一个数组对象。
ser1.values
Out[81]: array([11, 22, 33, 44])b.值的修改
可以通过直接对values属性返回的数组对象进行修改来修改Series对象的值。这种修改是对原对象的直接修改。
ser1.values[1]=23
ser1
Out[83]:
5 11
6 23
7 33
8 44
dtype: int64c.值的排序
使用sort_values方法按照值进行升序、降序排列。
ser3.sort_values()
Out[84]:
a 11
d 22
c 33
dtype: int64默认按索引取值升序排列，排序后产生一个新Series对象，原对象不发生改变。
（3）名称
Series对象有名称，可通过name属性获得。
Series对象的索引对象也有名称，可通过Index对象的name属性获得。
4.元素操作
（1）元素选取
选择一个元素：
a.以对应的索引选取
ser2['b']
Out[90]: 22b.以对应的索引序号选取
ser2[1]
Out[91]: 22选择多个元素：
a.以对应的索引组成的列表选取
ser2[['a','c']]
Out[93]:
a 11
c 33
dtype: int64b.以对应的索引组成的切片选取
ser2['a':'d']
Out[94]:
a 11
b 22
c 33
d 44
dtype: int64c.以对应的索引序号组成的切片选取
ser2[0:3]
Out[92]:
a 11
b 22
c 33
dtype: int64注意：a和c的区别是，前者包括右端点的元素，后者不包括右端点的元素。
（2）元素过滤
可直接使用基于值的比较运算条件进行过滤。
ser2[ser2>30]
Out[95]:
c 33
d 44
dtype: int64（3）元素新增
a.使用赋值新增
ser2['e']=55
ser2
Out[97]:
a 11
b 22
c 33
d 44
e 55
dtype: int64b.使用索引重排新增（注意reindex方法产生新对象，不会修改原对象）
ser2=ser2.reindex(['a','c','f'])
ser2
Out[100]:
a 11.0
c 33.0
f NaN
dtype: float64（4）元素删除
使用drop方法删除，drop方法产生新对象，不会修改原对象。
ser2=ser2.drop('f')
ser2
Out[106]:
a 11.0
c 33.0
dtype: float64（5）算术运算
Series对象支持直接进行算术运算。
ser2+2
Out[107]:
a 13.0
c 35.0
dtype: float64
ser2*2
Out[108]:
a 22.0
c 66.0
dtype: float64（6）判断是否存在某元素
使用in判断元素是否存在，实质是判断某索引是否存在。
'a' in ser3
Out[110]: True
11 in ser3
Out[111]: False（7）判断是否有空值
使用isnull或者notnull方法判断是否有空值。
ser3.isnull()
Out[114]:
a False
c False
d False
dtype: bool
ser3.notnull()
Out[115]:
a True
c True
d True
dtype: bool（8）缺失值填充
使用fillna方法进行空值填充。fillna方法产生新对象，不会修改原对象。
ser2=ser2.reindex(['a','c','h'])
ser2=ser2.fillna(99)
ser2
Out[125]:
a 11.0
c 33.0
h 99.0
dtype: float645.Series对象之间的操作
（1）Series之间算术运算
自动按索引进行对齐，对应元素与元素之间进行算术运算，未对齐的索引，最后的运算结果为NaN。
ser4=pd.Series([11,22,44],index=['a','b','d'])
ser5=pd.Series([11,33,44],index=['a','c','d'])
ser4+ser5
Out[126]:
a 22.0
b NaN
c NaN
d 88.0
dtype: float64（2）Series之间连接
使用append方法进行Series对象的连接，对二者的数据类型不做要求，索引也可以重复。结果为一个新对象，不会修改原对象。
ser4.append(ser5)
Out[127]:
a 11
b 22
d 44
a 11
c 33
d 44
dtype: int646.参考与感谢
[1] 利用Python进行数据分析