Pandas是Python下最強大的數據分析和探索庫，是基於Numpy庫構建的，支持類似SQL的結構化數據的增、刪、查、改，具有豐富的數據處理函數。Pandas有兩大數據結構：Series和DataFrame，本文主要對Series的常用用法進行總結梳理。
約定：
import pandas as pd
1.什么是Series對象?
Series對象本質上類似於一個一維數組，由一列元素（由值和對應的索引）組成。
2.Series對象的創建
Series對象的創建主要是使用pd.Series方法。具體又分為兩種：
（1）通過列表創建
向pd.Series方法中傳入一個列表，未指定索引時，默認從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參數指定索引：
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）通過字典創建
向傳入一個字典，字典的鍵就是索引，值就是值。
ser3=pd.Series({'a':11,'d':22,'c':33})
ser3
Out[62]:
a 11
d 22
c 33
dtype: int64
##3.Series對象的四個主要屬性 Series對象的四個主要屬性：索引、值、名稱、數據類型。 ###（1）索引 **a.索引的查看** 通過Series對象的**index屬性**查看索引，返回一個Index對象。
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')
索引允許有重復，可使用Index對象的is_unique屬性查看是否有重復。
ser1.index.is_unique
Out[65]: True
b.索引的修改
索引對象是一個不可變數組，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對象的索引，只能將其重定向到一個新的索引對象上。
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方法對索引進行重排。
ser2.reindex(['b','a','c','d'])
Out[73]:
b 22
a 11
c 33
d 44
dtype: int64
重排產生一個新Series對象，原對象不發生改變。
索引重排可實現3個目的：
① 對現有索引進行順序指定，即重新排列原來的元素順序；
② 刪除某個舊索引，即刪除對應元素；
ser2.reindex(['b','a','d'])
Out[74]:
b 22
a 11
d 44
dtype: int64
③ 增加某個新索引，即增加新元素，值為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: float64
d.索引的排序
使用sort_index方法根據現有索引進行升序、降序排列。
ser3.sort_index()
Out[80]:
a 11
c 33
d 22
dtype: int64
默認按索引取值升序排列，排序后產生一個新Series對象，原對象不發生改變。
e.索引是否存在
使用in判斷元素是否存在，實質是判斷某索引是否存在。
'a' in ser3
Out[110]: True
11 in ser3
Out[111]: False
（2）值
a.值的查看
通過Series對象的values屬性查看值，返回一個數組對象。
ser1.values
Out[81]: array([11, 22, 33, 44])
b.值的修改
可以通過直接對values屬性返回的數組對象進行修改來修改Series對象的值。這種修改是對原對象的直接修改。
ser1.values[1]=23
ser1
Out[83]:
5 11
6 23
7 33
8 44
dtype: int64
c.值的排序
使用sort_values方法按照值進行升序、降序排列。
ser3.sort_values()
Out[84]:
a 11
d 22
c 33
dtype: int64
默認按索引取值升序排列，排序后產生一個新Series對象，原對象不發生改變。
d.值的排名
使用rank方法獲取元素取值排名。
ser2.rank()
Out[145]:
a 1.0
c 2.0
f 3.0
dtype: float64
默認升序排名，對於並列排名，默認取其均值。
e.值是否存在
使用isin方法判斷，要求傳入一個列表，返回一個布爾型Series對象。
ser6.isin(['a'])
Out[164]:
a False
b False
d False
e False
dtype: bool
（3）名稱
Series對象有名稱，可通過name屬性獲得。
Series對象的索引對象也有名稱，可通過Index對象的name屬性獲得。
（4）數據類型
通過Series對象的dtype屬性獲得。
ser2.dtype
Out[146]: dtype('float64')
##4.元素操作 ###（1）元素選取 **選擇一個元素：** **a.以對應的索引選取**
ser2['b']
Out[90]: 22
b.以對應的索引序號選取
ser2[1]
Out[91]: 22
選擇多個元素：
a.以對應的索引組成的列表選取
ser2[['a','c']]
Out[93]:
a 11
c 33
dtype: int64
b.以對應的索引組成的切片選取
ser2['a':'d']
Out[94]:
a 11
b 22
c 33
d 44
dtype: int64
c.以對應的索引序號組成的切片選取
ser2[0:3]
Out[92]:
a 11
b 22
c 33
dtype: int64
注意：a和c的區別是，前者包括右端點的元素，后者不包括右端點的元素。
（2）元素過濾
可直接使用基於值的比較運算條件進行過濾。
ser2[ser2>30]
Out[95]:
c 33
d 44
dtype: int64
（3）元素新增
a.使用賦值新增
ser2['e']=55
ser2
Out[97]:
a 11
b 22
c 33
d 44
e 55
dtype: int64
b.使用索引重排新增（注意reindex方法產生新對象，不會修改原對象）
ser2=ser2.reindex(['a','c','f'])
ser2
Out[100]:
a 11.0
c 33.0
f NaN
dtype: float64
（4）元素刪除
使用drop方法刪除，drop方法產生新對象，不會修改原對象。
ser2=ser2.drop('f')
ser2
Out[106]:
a 11.0
c 33.0
dtype: float64
（5）算術運算
Series對象支持直接進行算術運算。
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）獲取元素唯一值
使用unique方法獲取元素的唯一值。
ser6=pd.Series([11,22,44,22],index=['a','b','d','e'])
ser6
Out[159]:
a 11
b 22
d 44
e 22
dtype: int64
ser6.unique()
Out[160]: array([11, 22, 44])
使用value_counts方法獲取元素唯一值的頻數分布。
ser6.value_counts()
Out[161]:
22 2
11 1
44 1
dtype: int64
（7）判斷是否存在某元素
a.使用in判斷
使用in判斷元素是否存在，實質是判斷某索引是否存在。
'a' in ser3
Out[110]: True
11 in ser3
Out[111]: False
b.使用isin方法判斷
使用isin方法判斷，要求傳入一個列表，返回一個布爾型Series對象。
ser6.isin(['a'])
Out[164]:
a False
b False
d False
e False
dtype: bool
（8）判斷是否有空值
使用isnull或者notnull方法判斷是否有空值。
ser3.isnull()
Out[114]:
a False
c False
d False
dtype: bool
ser3.notnull()
Out[115]:
a True
c True
d True
dtype: bool
（9）缺失值處理
缺失值的處理主要有兩種方法：填充和過濾。
a.填充
使用fillna方法進行空值填充，該方法產生新對象，不會修改原對象。
ser2=ser2.reindex(['a','c','h'])
ser2=ser2.fillna(99)
ser2
Out[125]:
a 11.0
c 33.0
h 99.0
dtype: float64
b.過濾
使用dropna方法進行空值過濾，該方法產生新對象，不會修改原對象。
ser6=ser6.reindex(['a','b','d','f'])
ser6
Out[168]:
a 11.0
b 22.0
d 44.0
f NaN
dtype: float64
ser6.dropna()
Out[169]:
a 11.0
b 22.0
d 44.0
dtype: float64
（10）過濾重復值
使用duplicated方法返回布爾型Series對象，判斷哪些元素是重復值。
ser7=pd.Series([11,22,44,22,11],index=['a','b','d','e','h'])
ser7
Out[173]:
a 11
b 22
d 44
e 22
h 11
dtype: int64
ser7.duplicated()
Out[174]:
a False
b False
d False
e True
h True
dtype: bool
使用drop_duplicates方法過濾其中的重復值，不修改原對象，而是產生一個沒有重復值的新Series對象。
ser7.drop_duplicates()
Out[175]:
a 11
b 22
d 44
dtype: int64
（11）替換指定值
使用replace方法進行指定值的替換。第一個參數是舊值，第二個參數是新值。不修改原對象，產生一個新對象。
ser7
Out[177]:
a 11
b 22
d 44
e 22
h 11
dtype: int64
ser7.replace(44,55)
Out[178]:
a 11
b 22
d 55
e 22
h 11
dtype: int64
一次替換多個值，共用同一個新值，可以將舊值放在列表中傳入。
ser7.replace([44,11],55)
Out[180]:
a 55
b 22
d 55
e 22
h 55
dtype: int64
一次替換多個值，分別使用不同新值，要使用字典建立映射對象。
ser7.replace({44:55,11:66})
Out[182]:
a 66
b 22
d 55
e 22
h 66
dtype: int64
（12）匯總統計
常規的統計方法：sum（求和）、mean（均值）、cumsum（累計求和）。
ser7.sum()
Out[183]: 110
ser7.mean()
Out[184]: 22.0
ser7.cumsum()
Out[185]:
a 11
b 33
d 77
e 99
h 110
dtype: int64
也可以使用describe方法直接生成描述性統計結果。
a.當元素的數據類型為數值型時，生成的結果包括：均值、最大值、最小值、標准差、元素個數、百分位數。
ser7.describe()
Out[186]:
count 5.000000
mean 22.000000
std 13.472194
min 11.000000
25% 11.000000
50% 22.000000
75% 22.000000
max 44.000000
dtype: float64
b.當元素的數據類型為類別型時，生成的結果包括：唯一值個數、最大類別、最大類別頻數。
ser8=pd.Series({'a':'v1','b':'v2','c':'v3'})
ser8
Out[189]:
a v1
b v2
c v3
dtype: object
ser8.describe()
Out[190]:
count 3
unique 3
top v3
freq 1
dtype: object
##5.Series對象之間的操作 ###（1）Series之間算術運算 自動按索引進行對齊，對應元素與元素之間進行算術運算，未對齊的索引，最后的運算結果為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之間連接
a. 使用append方法連接
使用append方法進行兩個Series對象的連接，對二者的數據類型不做要求，索引也可以重復。結果為一個新對象，不會修改原對象。
ser4.append(ser5)
Out[127]:
a 11
b 22
d 44
a 11
c 33
d 44
dtype: int64
b. 使用concat方法連接
使用concat方法進行兩個或多個Series對象的連接，對二者的數據類型不做要求，索引也可以重復。結果為一個新對象，不會修改原對象。
① 默認axis=0，合並各個Series對象的行。
ser1
Out[191]:
5 11
6 23
7 33
8 44
dtype: int64
ser2
Out[192]:
a 11.0
c 33.0
f 99.0
dtype: float64
ser3
Out[193]:
a 11
c 33
d 22
dtype: int64
pd.concat([ser1,ser2,ser3])
Out[194]:
5 11.0
6 23.0
7 33.0
8 44.0
a 11.0
c 33.0
f 99.0
a 11.0
c 33.0
d 22.0
dtype: float64
② axis=1時，合並各個Series對象的列，產生一個DataFrame對象，每個Series對象自成一列，行索引對齊。
pd.concat([ser1,ser2,ser3],axis=1)
Out[195]:
0 1 2
5 11.0 NaN NaN
6 23.0 NaN NaN
7 33.0 NaN NaN
8 44.0 NaN NaN
a NaN 11.0 11.0
c NaN 33.0 33.0
d NaN NaN 22.0
f NaN 99.0 NaN
##6.參考與感謝 \[1] [利用Python進行數據分析](https://book.douban.com/subject/25779298/)