pandas纳入了大量库和一些标准的数据类型，提供了高效的操作数据集所需的工具，pandas提供了大量能使我们快速便捷的处理数据的函数和方法，它使Python成为强大而高效的数据分析环境的重要元素之一。

Series

Series 是一种类似于一维数组的对象，由下面的两部分组成：
values: 一组数据（ndarray类型）。
index: 相关的数据索引标签。

import pandas as pd
from pandas import Series
import numpy as np

nd = np.array([1, 2, 3])
print(nd)    # [1 2 3]

# Series的创建  有两种创建方式:
# 1)由列表或numpy数组创建  默认索引为0到N-1的整数型索引
s = Series(nd)
print(s)

s.index = list("abc")
print(s)

s1 = Series(nd, index=["张三", "李四", "王五"])
print(s1)

# Data must be 1-dimensional Series中存放的数据必须是一维的
# s2 = Series(np.random.randint(0, 10, size=(5,2)), index=list("abcde"))
'''
特别地，由ndarray创建的是引用，而不是副本。对Series元素的改变也会改变远啦的ndarray对象中的元素。
列表中没有这种情况
'''

# 2)由字典创建
s2 = Series({"name": "林雪", "age": 18, "gender": True, "address": "湖北武汉"})
print(s2)

'''练习：使用多种方法创建以下series，命名为s1:语文150，数学150，英语150，理综300
'''
nd = np.array([150, 150, 150, 300])
s1 = Series(nd, index=["语文", "数学", "英语", "理综"])
print(s1)

s1 = Series({"语文": 150, "数学": 150, "英语": 150, "理综": 300})
print(s1)


# Series的索引和切片
'''
可以使用中括号取单个索引（此时返回的是元素类型），或者中括号里一个列表取多个索引（此时返回的仍然是
一个Series类型）。分为显示索引和隐式索引：
（1）显式索引：
---使用index中的元素作为索引值
---使用.loc[]（推荐）   注意：此时是闭区间
'''
s = Series(np.random.random(10), index=list("abcdefghij"))
print(s)
print(s["d"])
print(s[3])   # 可以使用index和整数来进行查找
# 显式索引
print(s.loc["e"])  # 而loc[]中不可以使用整数来进行查找
# 进行切片
print(s.loc["a":"f"])
print(s[0:6])

'''（2）隐式索引：
---使用整数作为索引值
---使用.iloc[]（推荐）  注意：此时是半开区间
'''
# 隐式索引，可以直接使用数字来进行操作
print(s.iloc[4])

# Series的基本概念
'''可以把Series看成一个定长的有序字典，可以通过shape，size，index，values等得到series的属性
'''
# Series.values，就是一个ndarray包含关系，升级的关系，有了索引之后更加的方便
print(s.shape, s.size, s.index, s.values)  # 维数、长度、索引、索引值

# 可以通过head(),tail()快速查看Series对象的样式
df = pd.read_csv("winequality-red.csv")  # df == DataFrame
print(df)
print(type(df))
print(df.head(5))
print(df.tail(5))

# 当索引没有对应的值时，可以出现缺失数据显示NaN(not a number)的情况
s = Series([25, 26, None, np.nan], index=list("them"))
print(s)
print(s.sum())

# 可以使用pd.isnull()，pd.notnull()，或自带isnull()，notnull()函数检测缺失数据
print(s.isnull())
print(s.notnull())
print(s[s.notnull()]) # 如果数据为真，则提取出来

# Series对象本身及其实例都有一个name属性，作用：name用于区分，在DataFrame中，主要是列名
s.name = "Python"
print(s)

# Series的运算
# (1)适用于numpy的数组运算也适用于Series
print(s+5)
# 在进行算术运算时，如果包含Nan,那么fill_value默认将Nan设置为等号(=)后面的值
print(s.add(5, fill_value=0))

# (2)Series之间的运算
'''
在运算中自动对齐不同索引的数据，如果索引不对应，则补NaN
'''
s1 = Series([2, 3, 4, 5], index=[0, 1, 2, 3])
s2 = Series([5, 6, 7, 8], index=[2, 3, 4, 5])
# Series索引值，进行相加时，索引相同进行相加
print(s1 + s2)

# 注意：想要保留所有的index，则需要使用.add()函数
print(s1.add(s2, fill_value=0))

nd = np.array([[1, 2, np.nan]])
# ndarray中如果有nan，没有办法进行操作
print(nd.sum())