2020，努力做一個無可替代的人！
寫在前面的話
如果你是因爲標題點進來的，那我得先解釋一下
小一我可不是渣男，怎麼會愛上別的人呢
Pandas，江湖人稱“潘大師”，一手數據分析的技能讓江湖人士愛慕不已。
當然，小一我也是潘大師的忠實粉絲，在MB級別的數據處理中也全靠潘大師才能夠苟活到現在。
《愛上潘大師》系列，是Python 高階部分的第二個系列
上一個系列也說過，NumPy 是Pandas 的基礎，如果Pandas 有些問題你不是很理解，就去上一個系列看看基礎，想必會對你有所幫助
上一個系列我根據文章主要內容重新列了標題
不要問我爲什麼重新列標題，我的眼眶好像又溼了…
NumPy 系列四篇文章，打好基礎，再去研究Pandas 就會容易很多：
推薦看完《Hello NumPy》系列再來開荒 《Pandas 系列》
正文
Pandas，數據分析的重點庫，基於NumPy構建，包含數據分析的高級數據結構和操作工具。
上面三個介紹應該很能說明問題，如果說NumPy 是一塊生鐵，那Pandas 就是一把生鐵打造的利刃。
瞭解Pandas ，就得先了解它的數據結構。
不同於NumPy 的多維數組，Pandas 的主要數據結構是Series和DataFrame。
Series是一種類似於一維數組的對象，而DataFrame是一個表格型的數據結構，今天就主要介紹一下Series 相關。
Series 到底是什麼樣的？
Series 由一組數據以及一組與之相關的數據標籤組成，其中數據可以是NumPy類型的各種數據，數據標籤我們稱之爲索引。
說這麼些，還不如直接舉個例子，包你一眼就看明白
import pandas as pd
# 創建 Series
series_data1 = pd.Series([1, 2, 4, 5])
# 輸出
0 1
1 2
2 4
3 5
dtype: int64
Series 是Pandas 的一種數據結構，所有我們可以直接通過 pd. 調用它
上面例子中，通過一維數組創建一個Series 數據，其中索引在左邊，值在右邊。
即左邊的【0、1、2、3】是數據的索引，右邊的【1、2、4、5】是數據值。
雖然我們沒有爲數據指定索引，但是Series 會自動創建一個0到N-1的整數型索引。
帶索引的數據Series 數據如何創建？
知道你也有這個疑問，一起看一下吧
在創建的數據的時候，我們需要手動聲明索引
# 創建帶索引的數據
series_data2 = pd.Series([1, 2, 4, 5], index=['a', 'b', 'c', 'd'])
# 輸出
a 1
b 2
c 4
d 5
dtype: int64
這就是Series 創建的方法，是不是很簡單？
就這兩種創建方式嗎？NumPy 可是有好多種
有的有的，還可以通過字典創建 Series
# 通過字典創建Series
dict_data = {'a':1, 'b':2, 'c':4, 'd':5}
series_data3 = pd.Series(dict_data)
# 輸出
a 1
b 2
c 4
d 5
dtype: int64
也可以通過字典和索引結合的方式創建 Series
這個時候，就以索引對應的數據爲主了：索引能對應上數據，則數據存在，否則，數據爲NaN
# 根據索引對應取值
index_data = ['a', 'b', 'c', 'new']
series_data4 = pd.Series(dict_data, index=index_data)
# 輸出
a 1.0
b 2.0
c 4.0
new NaN
dtype: float64
Series 的創建就這幾種，一般創建 Series用到的不多，瞭解瞭解
Series 數據創建好了，訪問的時候需要注意什麼嗎？
首先既然我們要訪問數據，得先知道都有哪些訪問方式
比如我們需要知道所有的值和索引，可以這樣寫
# 獲取數據值
series_data2.values
# 輸出
[1 2 4 5]
# 獲取索引對象
series_data2.index
# 輸出
Index(['a', 'b', 'c', 'd'], dtype='object')
既然可以訪問索引，那索引可以修改嗎？
對不起，不可以。
Index 對象不能更改，但是可以通過賦值索引實現這個目的
# 賦值索引
series_data2.index = ['new_a', 'new_b', 'new_c', 'new_d']
# 輸出
Index(['new_a', 'new_b', 'new_c', 'new_d'], dtype='object')
至於說Series 的reindex 方法，先賣個關子，下節會說
通過下標去訪問
例如我們需要查看第三個數據值以及對應的索引
# 查看第三個數據值
series_data2[2]
# 輸出
4
# 查看第三個數據值對應的索引
series_data2.index[2]
# 輸出
new_c
瞭解了，還有其他訪問方式嗎？
如果我們知道索引，當然也可以通過索引訪問數據
# 通過索引訪問數據
series_data2['new_c']
# 輸出
4
# 通過多個索引訪問數據
series_data2[['new_a', 'new_b', 'new_c']]
# 輸出
new_a 1
new_b 2
new_c 4
dtype: int64
瞭解了訪問方式，回想一下NumPy，Series之間可以進行相應的計算嗎？
答案是肯定的。
先來看看 Series 的邏輯運算
# 輸出大於2的Series 數據
series_data2[series_data2>2]
# 輸出
new_c 4
new_d 5
dtype: int64
# c是否在索引中
'c' in series_data2
# 輸出（因爲已經改成 new_c了，所以是False）
False
在進行 in 運算時，可以將 Series看作是一個字典數據類型，索引和值是一一對應的。
再來看看 Series 的算術運算
舉個例子：平方運算和開方運算
series_data2**2
# 輸出
new_a 1
new_b 4
new_c 16
new_d 25
dtype: int64
np.sqrt(series_data2)
# 輸出
new_a 1.000000
new_b 1.414214
new_c 2.000000
new_d 2.236068
dtype: float64
Series 還有一個最重要的功能：自動對齊
Series 會自動對齊不同索引的數據，特別是在算術運算符中
看個例子：不同索引的兩個Series 數據相加
# 創建不同索引的兩個Series
series_a = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
series_b = pd.Series([2, 2, 2], index=['b', 'c', 'd'])
# 輸出
a 1
b 2
c 3
dtype: int64
b 2
c 2
d 2
dtype: int64
# 相加
series_a + series_b
# 輸出
a NaN
b 4.0
c 5.0
d NaN
dtype: float64
Series 會根據索引自動對齊數據，上面例子中兩個Series 自動對齊 b、c 索引的數據 ，若無法對齊則會置爲缺失數據
NaN：not a number 非數字
總結一下：
今天主要介紹了Pandas 的部分背景和Series 相關操作。
可能也不是很會寫那種概念文，所以背景也就一兩句話略過，大家就權當我說了很多，記住一點：NumPy 是基礎，Pandas 是利器。
文中主要介紹了Series 的相關操作，稍微總結一下：
- Series 的創建方法
- Series 的訪問操作
- Series 的相關運算
今天文章內容就這些，有問題歡迎留言，下節見
寫在後面的話
如果說你錯過了上個系列，那你一定不能錯過這個系列
數據分析乾貨也不多，這個系列完了可能就會開始實戰了
沒跟上的同學自己加快進度，跟上的同學記得關注我，下節內容就不會錯過了。
碎碎念一下
新的系列，小一我一直在努力，你們也要加油
感謝每篇文章幫我點讚的你
原創不易，歡迎點贊噢
文章首發：公衆號【知秋小一】
文章同步：掘金，簡書，csdn