# `pandas`数据结构之`Series`
> `Series`是一种类似于一维数组的对象，由一组数据（各种`NumPy`数据类型）以及一组与之相关的数据标签（即索引）组成。
* * *
~~~
from pandas import Series, DataFrame
import pandas as pd
obj = Series([4, 7, -5, 3])
print(obj)
//
0 4
1 7
2 -5
3 3
dtype: int64
~~~
从上面代码可以看出，`Series`的字符串表现形式为：索引在左边，值在右边。在没有为数据指定索引的前提下，会自动创建一个从0到N-1的整数型索引。可以通过`Series`的`values`和`index`属性获取其数组表示形式和索引对象。
~~~
from pandas import Series, DataFrame
import pandas as pd
obj = Series([4, 7, -5, 3])
print(obj.index)
//RangeIndex(start=0, stop=4, step=1)
print(obj.values)
//[ 4 7 -5 3]
~~~
* * *
通常，我们希望所创建的`Series`带有一个可以对各个数据点进行标记的索引:
~~~
from pandas import Series, DataFrame
import pandas as pd
obj2 = Series([4, 7, -5, 3], index=['d', 'b', 'a', 'c'])
print(obj2)
//
d 4
b 7
a -5
c 3
dtype: int64
~~~
* * *
与普通`NumPy`数组相比，`Seria`可以通过索引的方式选取一个或一组值:
~~~
from pandas import Series, DataFrame
import pandas as pd
obj2 = Series([4, 7, -5, 3], index=['d', 'b', 'a', 'c'])
print(obj2['a'])
//-5
obj2['d'] = 6
print(obj2[['c', 'a', 'd']])
//
c 3
a -5
d 6
dtype: int64
~~~
* * *
`NumPy`数组运算（如根据布尔型数组进行过滤，标量乘法，应用数学函数等）都会保留索引和值之间的链接：
~~~
from pandas import Series, DataFrame
import pandas as pd
obj2 = Series([4, 7, -5, 3], index=['d', 'b', 'a', 'c'])
obj2['d'] = 6
print(obj2[obj2 > 0])
//
d 6
b 7
c 3
dtype: int64
print(obj2*2)
//
d 12
b 14
a -10
c 6
dtype: int64
~~~
* * *
还可以将`Series`看成是一个定长的有序字典，因为它是索引值到数据值的映射。它可以用在原本需要字典参数的函数中:
~~~
from pandas import Series, DataFrame
import pandas as pd
obj2 = Series([4, 7, -5, 3], index=['d', 'b', 'a', 'c'])
obj2['d'] = 6
print('b' in obj2)
//True
print('e' in obj2)
//False
~~~
* * *
如果数据被存放在一个`Python`字典中，也可以直接通过这个字典来创建`Series`
~~~
from pandas import Series, DataFrame
import pandas as pd
sData = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
obj3 = Series(sData)
print(obj3)
//
Ohio 35000
Oregon 16000
Texas 71000
Utah 5000
dtype: int64
~~~
