pandas是Python的一个第三方数据分析库，其集成了大量的数据模型和分析工具，可以方便的处理和分析各类数据。Pandas中主要对象类型有Series，DataFrame和Index。本文介绍Series对象的创建和基本用法。

一、Series对象的创建

使用下面的命令可以安装pandas:

pip install pandas

首次使用时需先导入pandas模块：

import pandas as pd

Series对象是带标签的一维同构数组，它采用pandas中Series类构造函数创建，语法是:

s = pd.Series(data, index=index)

• data是基础数据，可以是序列、字典、Numpy数组、常量等
• index是标签，如果忽略则默认生成从0开始，1为步长的等差数列作为标签，即1,2,3,4……

1.1 通过序列创建Series

可以通过给pd.Series函数传入列表，元组等序列来生成Series对象。

通过列表创建Series，由于没有指定index参数，因此默认的标签是0,1,2,3,4:

s1 = pd.Series([1,2,3,4,5])

通过元组创建Series，并通过index参数指定标签为abcde，Index必须和元素长度相同，但可以不唯一:

s2 = pd.Series((1,2,3,4,5), index=['a','b','c','a','b'])

1.2 通过NumPy数组创建Series

这里先通过np.random.randn(5)生成NumPy数组对象，然后再转换为Series对象：

s3 = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])

1.3 通过字典创建Series

通过Python字典也可以生成Series对象，由于字典本身就是键-值对，因此键会自动作为Series对象的标签：

d = dict(a=1, b=2, c=3, d=4, e=5)
s4 = pd.Series(d)

使用字典创建时如果指定index对象，那么只有和index指定的索引匹配元素会被抽取出来，index中未匹配的索引会用NaN填充：

s5 = pd.Series(d, index=list('abcdx'))

上面例子中，字典中{‘e’:5}元素和index中索引不匹配，所以未出现在Series中。而index指定的标签’x’在字典中也无对应的键，所以用NaN（在Pandas中代表空）填充。

1.4 通过常量创建Series

如果仅指定一个常量，那么则会按照index指定的索引长度进行复制填充：

s6 = pd.Series(10, index=list('abcde'))

二、Series对象的引用

Series对象和普通序列一样可以通过标签或者位置对元素进行引用，还支持切片等操作。

2.1 通过标签引用

通过标签引用和Python中引用字典键的方式相同，它会返回标签对应的元素：

s6['a']

但如果标签不存在则会报错：

s6['x']

通过标签也可以进行切片，注意切片包含结尾：

s6['a':'c']

2.2 通过s.get()函数引用

通过s.get()函数可以通过标签引用单一元素（无法切片），但是当标签不存在时，它会返回None而不是报错，甚至可以在标签不存在时返回自定义值：

s6.get('a')

对于不存在的标签，定义返回999：

s6.get('x', 999)

2.3 通过.loc使用标签引用

Series的.loc属性也可用通过标签进行引用：

s6.loc['a']

2.4 通过.iloc使用位置引用

位置就是各个元素的位置编号，从0开始，与标签无关：
s6.iloc[0]

切片时，注意结尾是不包含的：

s6.iloc[0:2]

注意位置编号为2的元素并不在返回结果中，这点和.loc不同。

关于.loc和.iloc属性的详细用法和解释可以参考下面的文章：
Python 利用pandas处理CSV文件（DataFrame的基础用法）

三、Series对象的修改

Series对象创建后，我们也需要对它进行修改。

3.1 新增元素

通过指定不存在的标签和元素就可以添加新元素，这里添加一个不存在的索引’x’，其对应的值为999：

s6['x'] = 999

如果要将两个Series拼接起来，可以用pd.concat函数，以元组或列表的方式传入要拼接的Series对象，这里将s1和s2拼接起来：

pd.concat([s1,s2])

注意上面的拼接结果保留了各自的标签，使用ignore_index=True可以忽略原标签，重新生成标签：

pd.concat([s1,s2], ignore_index=True)

3.2 删除元素

删除元素可以在引用时使用del命令或者drop方法：

del s6['x']

使用drop方法删除元素’e’，注意drop方法默认是返回删除后的副本，原Series对象是不变的，再次查看元素’e’依然存在：

s6.drop('e')
s6

如果要在原Series上删除，需要指定inplace=True参数：

s6.drop('e', inplace=True)
s6

3.3 修改元素

只需要引用元素并重新赋值就可以修改元素值：

s6['a'] = 100

如果是切片的方式，可以同时修改多个元素值：

s6.loc['b':'d'] = 999

四、Series对象的常用属性

除了上面提到的.loc和.iloc，Series对象还有一些常用方便我们查询Series的相关信息。

4.1 name属性

name属性是Series名称，默认是空，你可以给这个属性赋值来对Series进行命名：

s6.name = 'ABC'

4.2 size属性

size属性可以查询Series中的元素个数：

s6.size

4.3 is_unique属性

is_unique属性可以快速判断Series中元素是否唯一，如果唯一则返回True：

s1.is_unique
s6.is_unique

4.4 dtype属性

dtype属性返回的是Series中元素的类型，例如下面s2的dtype就是int64（64位整型）：

s2.dtype

由于Series是同构数组，如果加入其他类型的元素，则dtype会进行改变以兼容所有元素，下面加入一个浮点型元素，所有元素都会变为浮点型，dtype变为float64：

s2['e'] = 6.0
s2

再加入一个字符串元素，由于float64无法兼容字符串，Series的dtype属性自动转换为object（可以兼容所有类型数据）：

s2['f'] = 'abc'
s2