Pandas 是 Python 中一个用于数据分析和操作的核心库，它提供了高性能、易用的数据结构和数据分析工具。Series 是 Pandas 中最基本的数据结构之一，它是一个一维的、大小可变的、同质类型的数据结构，可以看作是一个固定长度的有序字典（索引到值的映射）。
创建 Series 对象
创建 Series 对象有多种方式，每种方式都适用于不同的数据源和场景：
-
从 NumPy 数组：
当你有 NumPy 数组时，可以直接将其转换为 PandasSeries。这种方式非常高效，因为 Pandas 在内部大量使用了 NumPy。import pandas as pd import numpy as np arr = np.array([1, 2, 3, 4, 5]) s_arr = pd.Series(arr) -
从列表/元组：
Python 的列表或元组也可以很方便地转换为Series。这适用于从基础 Python 数据结构过渡到 Pandas 数据结构的场景。s_list = pd.Series([10, 20, 30, 40]) -
从字典：
当你有键值对形式的数据时，可以使用字典来创建Series。字典的键自动成为Series的索引，值成为数据。d = {'a': 1, 'b': 2, 'c': 3, 'd': 4} s_dict = pd.Series(d) -
从标量值：
如果你需要创建一个所有值都相同的Series，可以传入一个标量值，并指定索引。s_scalar = pd.Series(5, index=['x', 'y', 'z'])
属性
Series 对象有许多有用的属性，用于获取其基本信息和状态：
index：获取或设置Series的索引。values：获取Series中的数据值（以 NumPy 数组形式）。dtype：返回Series中元素的数据类型。name：获取或设置Series的名称。shape：返回一个元组，表示Series的维度（对于Series来说，通常是(n,)，其中n是元素的数量）。size：返回Series中元素的数量。
常用函数
Pandas Series 提供了丰富的函数来执行各种数据操作和分析任务：
- 统计函数：如
mean(),max(),min(),sum(),std()等，用于计算数据的统计指标。 - 排序：
sort_values()根据值排序，sort_index()根据索引排序。 - 去重：
drop_duplicates()去除重复项。 - 描述性统计：
describe()生成描述性统计信息。 - 数据转换：
apply()方法允许应用自定义函数到Series的每个元素上。 - 数据选择：
head(n)和tail(n)分别返回前n条和后n条记录。 - 缺失数据处理：
fillna(),dropna()等函数用于处理缺失数据。
布尔索引操作
布尔索引是 Pandas 中一种强大的数据选择方式。你可以通过条件表达式生成一个布尔数组，然后使用这个数组来索引 Series，从而选择满足条件的元素。
s = pd.Series([1, -2, 3, -4, 5])
positive_values = s[s > 0]计算
Series 支持与标量值的运算（如加法、减法、乘法等），这些运算会被广播到整个 Series 上。此外，两个 Series 之间的运算默认基于索引进行，如果索引不完全匹配，则结果中相应位置会填充 NaN。
s1 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
s2 = pd.Series([4, 5, 6], index=['b', 'c', 'd'])
result = s1 + s2 # 结果中 'a' 和 'd' 位置为 NaN其他功能
- 合并与连接：使用
concat()函数可以将多个Series合并成一个新的Series或DataFrame。 - 时间序列：Pandas 提供了强大的时间序列处理功能，
Series可以被转换为时间序列数据，以便进行日期和时间的分析。 - 数据可视化：虽然
Series本身不直接提供可视化功能，但 Pandas 通常与 Matplotlib、Seaborn 等库结合使用，以便进行数据可视化。
