系列（Series）是能够保存任何类型的数据(整数，字符串，浮点数，Python对象等)的一维标记数组。轴标签统称为索引。
Series对象是使用pandas的基础。
Series有如下特点：

• Series对象：一维的，带标签的数组（类似字典的数组）
• Series对象是ndarray数组的派生类型，和数组相比类型没有限制
• Series对象本质上由两个ndarray数组构成，一个数组构成对象的键(index，索引，标签)，一个数组构成对象的值(values)，键 -> 值
• Numpy中的数组运算和操作都可用于Series对象（Series本质上是ndarray）
• Python字典操作部分可用于Series（Series内部实现的部分）
  

Pandas系列可以使用以下构造函数创建

[Python] 纯文本查看 复制代码

pandas.Series( data, index, dtype, copy)

构造函数的参数如下：

编号	参数	描述
1	data	数据采取各种形式，如：ndarray，list，constants
2	index	索引值必须是唯一的和散列的，与数据的长度相同。 默认np.array(n)如果没有索引被传递。
3	dtype	dtype用于数据类型。如果没有，将推断数据类型
4	copy	复制数据，默认为false

可以使用各种输入创建一个系列，如

• 数组
• 字典
• 标量值或常数
  

Series对象的操作

1，创建

• 创建一个空系列
  

   

[Python] 纯文本查看 复制代码

import pandas as pd
s = pd.Series()
print(s)

    执行上面代码，结果如下：
   

• 从ndarray创建一个系列（无索引）
  

   

[Python] 纯文本查看 复制代码

import pandas as pd[/font][/color]
[/color][/font]import numpy as np
data = np.array(['a','b','c','d'])
s = pd.Series(data)
print(s)

    执行上面代码，结果如下：
   
    这里没有传递任何索引，因此默认情况下，它分配了从 0 到 len(data)-1 的索引，即：0到3

• 从ndarray创建一个系列（有索引）
  

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np
data = np.array(['a','b','c','d'])
s = pd.Series(data,index=[100,101,102,103])
print(s)

    执行上面代码，结果如下：
   

• 从字典创建一个系列（字典的键用于构建索引）
  

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np
data = {'a' : 0., 'b' : 1., 'c' : 2.}
s = pd.Series(data)
print(s)

    执行上面代码，结果如下：
   

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np
data = {'a' : 0., 'b' : 1., 'c' : 2.}
s = pd.Series(data,index=['b','c','d','a'])
print(s)

    执行上面代码，结果如下：
   

• 从标量创建一个系列
  

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np
s = pd.Series(5, index=[0, 1, 2, 3])
print(s)

    执行上面代码，结果如下：
   

• 其他方式创建系列
  

   

[Python] 纯文本查看 复制代码

g_values = np.arange(5)
g_index = np.arange(9, 4, -1)
g = pd.Series(g_values, index = g_index)
print(g)

    执行上面代码，返回结果如下：
   

   

[Python] 纯文本查看 复制代码

h = pd.Series(range(10))
print(h)

    执行上面代码，结果如下：
   

2，查询

• index和value查询
  

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np
data = {'a' : 0., 'b' : 1., 'c' : 2.}
s = pd.Series(data,index=['b','c','d','a'])
print(s)
print('**'*10)
print(s.values)
print('**'*10)
print(s.index)
print('**'*10)
print(s.index[2])
print('**'*10)
print(s.index.values)

    执行上面代码，结果如下：
   

• 索引查询
  

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np
data = {'a' : 0., 'b' : 1., 'c' : 2.}
s = pd.Series(data,index=['b','c','d','a'])
print(s)
print('**'*10)
# 查询单值
print(s[1])  # 位置索引，默认，自动生成，和自定义索引并存
print('**'*10)
print(s['a'])  # 标签索引，自定义索引
print('**'*10)
print(s.d)  # 方法调用
print('**'*10)
# 查询多值
print(s[[0,3]])
print('**'*10)
print(s[['a', 'd']])

    执行上面代码，结果如下：
   

• 切片
  

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np
data = {'a' : 0., 'b' : 1., 'c' : 2., 'f': 12., 'q': 3.4, 'y': 5.6}
s = pd.Series(data,index=['b','c','d','a','f','q','y','e'])
print(s)
print('**'*10)
print(s[:4])  # 位置切片，默认索引，左闭右开
print('**'*10)
print(s[:'q'])  # 标签切片，自定义索引, 注意：两边都闭区间（因为使用标签索引时通常不知道标签顺序，很难确定结束前一个标签是什么）
print('**'*10)
print(s['f':])
print('**'*10)
print(s[::2])
print('**'*10)
print(s[::-1])  #步长-1，逆序

    执行上面代码，结果如下：
   
   

• 类似ndarray的数组运算
  

   
   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np

s = pd.Series([100,25,59,90,61],index=['ming','hua','hong','huang','bai'])
print(s)
print('**'*10)
print(s>=60)

    执行上面代码，结果如下：
   

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np

s = pd.Series([100,25,59,90,61],index=['ming','hua','hong','huang','bai'])
print(s)
print('**'*10)
print(s['hua']>60)
print(s['ming']>60)

    执行上面代码，结果如下：
   

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np

s = pd.Series([100,25,59,90,61],index=['ming','hua','hong','huang','bai'])
print(s)
print('**'*10)
print(s+100)  # 标量运算

    执行上面代码，结果如下：
   

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np

s = pd.Series([100,25,59,90,61],index=['ming','hua','hong','huang','bai'])
print(s)
print('**'*10)
print(np.median(s))  # 应用函数 , 获取中位数
print(s.median())  # 方法调用的写法

    执行上面代码，结果如下：
   

• 类似字典的操作
  

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np

s = pd.Series([100,25,59,90,61],index=['ming','hua','hong','huang','bai'])
print(s)
print('**'*10)
res = 'hua' in s
print(res)
print('**'*10)
print(s.get('bai', 80))
print(s.get('hei', 80))

    执行上面代码，结果如下：
   
3，修改
   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np

s = pd.Series([100,25,59,90,61],index=['ming','hua','hong','huang','bai'])
print(s)
print('**'*10)
s['ming'] = 0
print(s)

    执行上面代码，结果如下：
   

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np

s = pd.Series([100,25,59,90,61],index=['ming','hua','hong','huang','bai'])
print(s)
print('**'*10)
s['ming', 'hua'] = 0
print(s)
print('**'*10)
s['ming', 'hua'] = [30, 40]
print(s)

    执行上面代码，结果如下：
   

   

[Python] 纯文本查看 复制代码

import pandas as pd
import numpy as np

s = pd.Series([100,25,59,90,61],index=['ming','hua','hong','huang','bai'])
print(s)
print('**'*10)
s.index = ['xiaoming','xiaohua','xiaohong','xiaohuang','xiaobai']  # 索引修改
print(s)
print('**'*10)
s.index.values[2] = 'laoli'
print(s)

    执行上面代码，结果如下：
   

多谢分享