### 数据结构 #### Series ##### 简介 可以理解为是建立在Numpy中array的基础上增加索引的一维数组。 ##### 使用 - 创建Series，创建Series时可以传入两个参数data和index，和NumPy一样data可以传列表、元祖，index也是如此，当传入字典的时候，它的键会作为index，值作为data,还可以传array ```python >>> import pandas as pd >>> import numpy as np >>> pd.Series([1,2,3,4],["a","b","c","d"]) a 1 b 2 c 3 d 4 >>> pd.Series((1,2,3,4),("a","b","c","d")) a 1 b 2 c 3 d 4 dtype: int64 >>> pd.Series({"a":1,"b":2,"c":3,"d":4}) a 1 b 2 c 3 d 4 dtype: int64 >>> pd.Series(np.arange(4)) 0 0 1 1 2 2 3 3 dtype: int32 ``` - 选择数据，在选择数据的时候，Series可以直接根据索引来选择，他也可以进行切片和遍历的操作 ```python >>> s1[0] 0 >>> for i in s1: ... print(i) ... 0 1 2 3 >>> s1[1:3] 1 1 2 2 dtype: int32 ``` - Series还可以根据条件选择数据 ```python >>> s1[s1>0] 1 1 2 2 3 3 dtype: int32 ``` - Series简单的数学运算，Series跟NumPy里的array一样，也可以进行四则运算，不仅可以和数，也可以和Series对象进行，在和Series对象进行运算的时候，根据索引来操作，假如有存在空的时候会出现NaN ```python >>> s1 = pd.Series(np.arange(4)) >>> s1+5 0 5 1 6 2 7 3 8 dtype: int32 >>> s1-3 0 -3 1 -2 2 -1 3 0 dtype: int32 >>> s1*2 0 0 1 2 2 4 3 6 dtype: int32 >>> s1/6 0 0.000000 1 0.166667 2 0.333333 3 0.500000 dtype: float64 >>> s2 = pd.Series(np.random.random(3)) >>> s2 0 0.038811 1 0.860956 2 0.751210 dtype: float64 >>> s1+s2 0 0.038811 1 1.860956 2 2.751210 3 NaN dtype: float64 >>> s1-s2 0 -0.038811 1 0.139044 2 1.248790 3 NaN dtype: float64 >>> s1*s2 0 0.000000 1 0.860956 2 1.502420 3 NaN dtype: float64 >>> s1/s2 0 0.000000 1 1.161500 2 2.662372 3 NaN dtype: float64 ``` **在进行不同精度的四则运算时，Pandas会让结果的精度和两个Series中精度更精确的那个一样** - 同样也可以使用add/sub等这样的方法进行操作 ```python >>> s1.add(s2) 0 0.038811 1 1.860956 2 2.751210 3 NaN dtype: float64 >>> s1.sub(s2) 0 -0.038811 1 0.139044 2 1.248790 3 NaN dtype: float64 ```