ailearning/docs/da/152.md

# 一维数据结构：Series

In [1]:

```py
import numpy as np
import pandas as pd

```

`Series` 是一维带标记的数组结构，可以存储任意类型的数据（整数，浮点数，字符串，`Python` 对象等等）。

作为一维结构，它的索引叫做 `index`，基本调用方法为

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

其中，`data` 可以是以下结构：

*   字典
*   `ndarray`
*   标量，例如 `5`

`index` 是一维坐标轴的索引列表。

## 从 ndarray 构建

如果 `data` 是个 `ndarray`，那么 `index` 的长度必须跟 `data` 一致：

In [2]:

```py
s = pd.Series(np.random.randn(5), index=["a", "b", "c", "d", "e"])

s

```

Out[2]:

```py
a   -0.032806
b    0.050207
c   -1.909697
d   -1.127865
e   -0.073793
dtype: float64
```

查看 `index`：

In [3]:

```py
s.index

```

Out[3]:

```py
Index([u'a', u'b', u'c', u'd', u'e'], dtype='object')
```

如果 `index` 为空，那么 `index` 会使用 `[0, ..., len(data) - 1]`：

In [4]:

```py
pd.Series(np.random.randn(5))

```

Out[4]:

```py
0   -0.376233
1   -0.474349
2    1.660590
3    0.461434
4    0.190965
dtype: float64
```

## 从字典中构造

如果 `data` 是个 `dict`，如果不给定 `index`，那么 `index` 将使用 `dict` 的 `key` 排序之后的结果：

In [5]:

```py
d = {'a' : 0., 'b' : 1., 'c' : 2.}

pd.Series(d)

```

Out[5]:

```py
a    0
b    1
c    2
dtype: float64
```

如果给定了 `index`，那么将会按照 `index` 给定的值作为 `key` 从字典中读取相应的 `value`，如果 `key` 不存在，对应的值为 `NaN`（not a number, `Pandas` 中的缺失默认值）：

In [6]:

```py
pd.Series(d, index=['b', 'd', 'a'])

```

Out[6]:

```py
b     1
d   NaN
a     0
dtype: float64
```

## 从标量值构造

如果 `data` 是标量，那么 `index` 值必须被指定，得到一个值为 `data` 与 `index` 等长的 `Series`：

In [7]:

```py
pd.Series(5., index=['a', 'b', 'c', 'd', 'e'])

```

Out[7]:

```py
a    5
b    5
c    5
d    5
e    5
dtype: float64
```

## 像 ndarray 一样使用 Series

In [8]:

```py
s

```

Out[8]:

```py
a   -0.032806
b    0.050207
c   -1.909697
d   -1.127865
e   -0.073793
dtype: float64
```

支持数字索引操作：

In [9]:

```py
s[0]

```

Out[9]:

```py
-0.032806330572971713
```

切片：

In [10]:

```py
s[:3]

```

Out[10]:

```py
a   -0.032806
b    0.050207
c   -1.909697
dtype: float64
```

`mask` 索引：

In [11]:

```py
s[s > s.median()]

```

Out[11]:

```py
a   -0.032806
b    0.050207
dtype: float64
```

花式索引：

In [12]:

```py
s[[4, 3, 1]]

```

Out[12]:

```py
e   -0.073793
d   -1.127865
b    0.050207
dtype: float64
```

支持 `numpy` 函数：

In [13]:

```py
np.exp(s)

```

Out[13]:

```py
a    0.967726
b    1.051488
c    0.148125
d    0.323724
e    0.928864
dtype: float64
```

## 像字典一样使用 Series

也可以像字典一样使用 `Series`：

In [14]:

```py
s["a"]

```

Out[14]:

```py
-0.032806330572971713
```

修改数值：

In [15]:

```py
s["e"] = 12.

s

```

Out[15]:

```py
a    -0.032806
b     0.050207
c    -1.909697
d    -1.127865
e    12.000000
dtype: float64
```

查询 `key`：

In [16]:

```py
"e" in s

```

Out[16]:

```py
True
```

In [17]:

```py
"f" in s

```

Out[17]:

```py
False
```

使用 `key` 索引时，如果不确定 `key` 在不在里面，可以用 `get` 方法，如果不存在返回 `None` 或者指定的默认值：

In [18]:

```py
s.get("f", np.nan)

```

Out[18]:

```py
nan
```

## 向量化操作

简单的向量操作与 `ndarray` 的表现一致：

In [19]:

```py
s + s

```

Out[19]:

```py
a    -0.065613
b     0.100413
c    -3.819395
d    -2.255729
e    24.000000
dtype: float64
```

In [20]:

```py
s * 2

```

Out[20]:

```py
a    -0.065613
b     0.100413
c    -3.819395
d    -2.255729
e    24.000000
dtype: float64
```

但 `Series` 和 `ndarray` 不同的地方在于，`Series` 的操作默认是使用 `index` 的值进行对齐的，而不是相对位置：

In [21]:

```py
s[1:] + s[:-1]

```

Out[21]:

```py
a         NaN
b    0.100413
c   -3.819395
d   -2.255729
e         NaN
dtype: float64
```

对于上面两个不能完全对齐的 `Series`，结果的 `index` 是两者 `index` 的并集，同时不能对齐的部分当作缺失值处理。

## Name 属性

可以在定义时指定 `name` 属性：

In [22]:

```py
s = pd.Series(np.random.randn(5), name='something')
s.name

```

Out[22]:

```py
'something'
```