Series 是一种类似于 Numpy 中一维数组的对象，它由一组任意类型的数据以及一组与之相关的数据标签（即索引）组成。举个最简单的例子：

上面的代码将打印出如下内容：

左边的是数据的标签，默认从 0 开始依次递增。右边是对应的数据，最后一行表明了数据类型。

我们也可以像下面这样使用 index 参数自定义数据标签：

运行结果如下：

我们还可以直接使用字典同时创建带有自定义数据标签的数据，pandas 会自动把字典的键作为数据标签，字典的值作为相对应的数据。

运行结果和上面一样：

访问 Series 里的数据的方式，和 Python 里访问列表和字典元素的方式类似，也是使用中括号加数据标签的方式来获取里面的数据。

有了带标签的数据有什么用呢？为什么不直接使用 Python 自带的列表或字典呢？

是因为 pandas 有着强大的数据对齐功能，什么意思呢？我给你举个例子你就明白了。

假设你开了个小卖部，每天统计了一些零食的销量，你想看一下前两天的总销量如何。使用 pandas 的话，你可以这样写：

上面直接将两个 Series 相加的结果如下：

神奇的事发生了，pandas 自动帮我们将相同数据标签的数据进行了计算，这就是数据对齐。

而如果不用 Series，只用列表或字典，我们还要使用循环来进行计算。而用了 pandas 的 Series，只需要简单的相加即可。

你可能会有疑问，如果两天卖出的零食不一样怎么办，pandas 还能进行数据对齐吗？我们试一下就知道了。

上面的数据中，只有辣条和面包这两个数据标签是相同的，剩下的数据标签各不相同。上述代码的运行结果如下：

可以看到，对于数据标签不相同的数据，运算后结果是NaN。NaN 是 Not a Number（不是一个数字）的缩写，因为其中一个 Series 中没有对应数据标签的数据，无法进行计算，因此返回了 NaN。

对于这种情况，我们想让没有的数据默认为 0，然后再进行计算。这种需求 pandas 可以实现吗？

当然可以！只需调用 Series 的 add() 方法，并设置好默认值即可。具体用法如下：

这样我们就能得到期望的正确结果：

add()方法对应的是加法，数学中的四则运算在 pandas 中都有一一对应的方法，它们的用法都是类似的。具体对应关系如下图所示：