本文共 1721 字，大约阅读时间需要 5 分钟。

这个东西相当烦人，之前一直没重视，后来他在我神经网络的学习中给我制造了很大的麻烦，所以这里特别记一下，引用的别人的博客，毕竟这也不是什么难的重点，只是一些基础知识的总结。

前面用了5篇文章简单介绍了Python非常重要的库：Numpy，Numpy用来进行数值计算，是数据分析、机器学习的基础库。从本文开始为大家介绍Python另外一个非常重要的库：Pandas，Pandas是数据分析的常用工具，也是基于Numpy的。之前在介绍Numpy时反复强调Numpy的核心概念是Ndarray，在Pandas中同样也有类似的核心概念：Series和DataFrame，由于Ndarray要求元素保持一样的数据类型，因此Numpy通常用来处理单一类型的数据，而Series可以保存不同的数据类型，因此Pandas在处理表格和混杂类型的数据方面有着广泛的应用。

Series对象的创建

Series是Pandas中的一维数据结构，类似于Python中的列表和Numpy中的Ndarray，不同之处在于：Series是一维的，能存储不同类型的数据，有一组索引与元素对应。下图的代码是Series的一个简单示例。

图1 Series简单示例

与Numpy类似，Pandas的引入也使用语句“import pandas as pd”，pd作为Pandas的别名是通用写法；第3行创建了一个名为s1的series对象，本例中传入的是一个包含4个整型数值的列表，传入元组、字典都是可以的，如果传入字典，字典的键key和值value将自动转换成series对象的索引和元素；由s1的打印结果可知：series对象不仅包含数值，还包含一组索引，由于在创建series对象时没有指定索引，因此会默认使用非负整数当做索引。

在创建series对象时我们可以手动设置索引，如下图：

图2 手动设置series索引

第3行我们创建了series对象s2，包含四个字符串，索引依次设置为'a'，'b'，'c'，'d'；打印的最后一行，s2元素类型dtype为object，注意Pandas中整型为int64，浮点型为float64，字符串、布尔型等其他数据类型都为object。

在series对象中，索引与元素之间是一种映射关系，元素在series对象中的有序存储是通过索引实现的，当传入字典创建series对象，可以通过指定索引的方式对series对象中的元素进行排序和过滤。

图3 字典和索引创建series对象

对比字典scores和列表names我们发现：scores中的键顺序与names中元素顺序不一致，scores中没有的键为“tracy”的数据，names中没有“tom”；第4行创建series对象s3时以索引（列表names）为依据，names中没有的元素（tom）将被过滤掉，scores中没有tracy的分数，将会被NaN代替；从最后的打印结果可以看出：s3是以索引names排序的，由于NaN是浮点型，因此s3中的数据类型自动转换成float64。

Series元素的访问

Series对象的元素也可以像列表和ndarray一样通过[index]的方式访问，需要注意的是：如果在创建series对象时指定了整型之外的其他类型的索引，默认的整数索引仍然可用。如下图的代码所示：使用s2[1]和s2['b']得到的值是完全相同的。当然也可以使用 s2[1] = 'banana' 或 s2['b'] = 'banana' 语句在原地对series对象s2进行修改。

图4 series元素的访问

除了元素的值之外，索引也可以修改，下图中的示例将s2的索引由字符串型改为整型。

图5 series对象修改索引

第5行将s2的索引修改为1到4的整数列表，修改后可以不用字符串索引访问元素，新的整数索引[1, 2, 3, 4]将覆盖默认的整数索引[0, 1, 2, 3]，此时第6行s2[1]将得到s2中的第一个元素“alpha”，而第7行s2[0]将报出索引错误（IndexError）；与修改元素一样，对索引的修改都是在原地进行，不会在内存中进行复制操作。

转载地址：http://xgoi.baihongyu.com/