series(applewatch8新功能)

预告:后面我会分享一系列关于Python数据分析的内容，向大家展示一个数据分析师需要掌握哪些知识和技能。有兴趣的可以先关注一下。要使用强大的Python数据分析模块pandas，首先要熟悉它的两个主要数据结构:Series(序列)和DataFrame(数据帧)。也许它们不能解决所有问题，但它们为大多数应用程序提供了可靠且易于使用的基础。

1.生成系列(序列)

Series是一个类似于一维数组的对象，由一组数据和与之关联的一组数据标签组成。

只有一组数据才能产生最简单的数列，它的字符串表达式是:索引在左边，数值在右边。

如果我们不为数据指定一个索引，它会自动创建一个从0到N-1的整数索引(N是数据的长度)。

我们可以通过Series的值和索引属性得到Series的数组表示和索引对象:

2.通常，我们希望创建的系列具有可以标记每个数据点的索引:

大家可以看到，与普通的NumPy数组相比，我们可以通过索引选择单个或一组数值串联，甚至可以进行赋值操作。

3.在对序列执行NumPy数组操作时(如按布尔数组过滤、标量乘法、应用数学函数等。)，索引和值之间的链接将被保留。

4.Series也可以看作是定长有序字典，因为它是索引值到数据值的映射，可以用在很多原本需要字典参数的函数中。如果数据存储在Python字典中，也可以通过该字典创建序列。

如您所见，如果只传入一个字典，那么结果序列中的索引就是原始字典的键(有序排列)。

我们还可以同时传入一个字典和一个索引列表(也可以使用元组和数组，如下图所示)。如下图所示，将找出sdata中与states索引匹配的值，并按顺序放入相应的位置。

但因为找不到' California '对应的sdata值，所以结果是NaN(不是数字，不是数字，在熊猫中，用来表示缺失或NA值)。pandas中的isnull()和notnull()函数可以用来检测丢失的数据。同时Series也有类似的实例方法(对于pd.isnull(obj4)，我们称之为对实例obj4应用函数pd.isnull()，对于obj4.isnull()，我们一般称之为实例obj4的方法isnull()):