Series(一)：Series的创建方式和常用属性说明
今天给大家介绍Series的创建方式和常用属性说明。
1、list、ndarray、Series的简单比较
① list列表，列表中的元素可以是不同的数据类型，使用从0开始的整数值作为默认索引；
② ndarray数组，数组中的元素必须是同种数据类型，也是使用从0开始的整数值作为默认索引；
③ Series序列，是一种一维的结构，类似于一维列表和ndarray中的一维数组，但是功能比他们要更为强大，Series由两部分组成：索引index和数值values；
④ 一维列表和一维数组中都是采用从0开始的整数值作为默认索引，索引值一般不显示的给出，但是我们可以通过索引去获取其中的元素。对于Series来说，默认索引也是从0开始的整数值作为默认索引，但是是显示地给出，更为强大的是，Series中的索引可以随意设置，方便我们取数。
操作如下：
import numpy as np
import pandas as pd
l1 = [1,2,"中国",4.5]
display(l1)
display(l1[2])
a1 = np.array([1,2,5,6,8])
display(a1)
display(a1[4])
s1 = pd.Series([1,3,5,7,9])
display(s1)
display(s1[4])
s2 = pd.Series([1,3,5,7,9],index=["a","b","c","d","e"])
display(s2)
display(s2["d"])
display(s2[3])
s3 = pd.Series([1,3,5,7,9],index=[3,4,5,6,7])
display(s3)
display(s3[6])结果如下：
通过上述测试，我们可以总结出来这第5条结论：
⑤ 创建Series序列时，当不指定索引的时候，默认会生成从0开始的整数索引；当指定了“字符串索引”(也叫“标签索引”)，既可以通过这个字符串索引访问元素，也可以通过原有的从0开始的整数索引访问元素；当指定一个“整数索引”，那么该索引会覆盖掉原有的默认的整数索引，只能通过这个新的整数索引访问元素，默认的整数索引会失效。
2、Series的5种常用创建方式
- 语法：创建Series的语法：pd.Series()
- 常用参数：index，用于指定新的索引；dtype，用于指定元素的数据类型；
- 大前提：要记住Series是一个一维的结构！！！
- 注意：当你指定了索引，系统会使用这个指定索引；当你没有指定索引，系统会默认给我们创建索引。
1）通过一维列表创建Series
x = [1,3,5,7,9]
y = pd.Series(x)
display(y)
y1 = pd.Series(x,index=["a","b","c","d","e"],dtype=np.float32)
display(y1)结果如下：
2）通过可迭代对象创建Series
x = range(2,7)
y = pd.Series(x)
display(y)结果如下：
3）通过字典创建Series
x = dict(a=22,b=18,c=35)
y = pd.Series(x)
display(y)
x1 = pd.Series({"a":1,"b":2,"c":3})
display(x1)结果如下：
4）通过一维数组创建Series
x = np.arange(1,6)
y = pd.Series(x)
display(y)结果如下：
5）通过标量(常数)创建Series
x = 22
y1 = pd.Series(x)
display(y1)
y2 = pd.Series(x,index=list(range(5)))
display(y2)结果如下：
注意：创建一个含有相同元素的Series，元素的个数取决于我们设置的索引的个数。
3、Series中常用属性说明
1）Series和ndarray中常用属性对比
* ndim 返回Series的维数；
* shape 返回Series的形状；
* dtype 返回Series中元素的数据类型；
* size 返回Series中元素的个数；
* itemsize 返回Series中每一个元素占用空间的大小，
以字节为单位；
* nbytes 返回Series中所有元素占用空间的大小，
以字节为单位；
* T 返回Series的转置结果；
#注意：下面这3个属性，在Series中才有。
* index 返回Series中的索引；
* values 返回Series中的数值；
* name 返回Series的名称 或 返回Series索引的名称；* ndim 返回数组的维数；
* shape 返回数组的形状；
* dtype 返回数组元素的数据类型；
* size 返回数组中元素的个数；
* itemsize 返回数组中每一个元素占用空间的大小，以字节为单位；
* nbytes 返回数组中所有元素占用空间的大小，以字节为单位；
* T 返回数组元素的转置结果；操作如下：
s = pd.Series([1,3,5,7,9])
display(s)
display(s.ndim)
display(s.shape)
display(s.dtype)
display(s.size)
display(s.itemsize)
display(s.nbytes)
display(s.T)结果如下：
注意：
① 由于Series是一维的结构，因此Series的ndim的值肯定是1；
② 关于itemsize还有nbytes的具体用法，可以参考之前的一篇文章去了解
2）Series中特有的几个属性：index、values、name
① index和values属性
x = pd.Series([1,3,5,7,9])
display(x)
display(x.index)
display(x.values)结果如下：
② name属性：动态创建Serie名称和Series索引名称
x = pd.Series([1,3,5,7,9])
display(x)
x.name = "Series的名称"
x.index.name= "Series索引的名称"
display(x)
display(x.name)
display(x.index.name)结果如下：
③ 在创建Series的时候，指定Series名称
y = pd.Series([1,3,5,7,9],index=["a","b","c","d","e"],name="Series的名称")
display(y)
display(y.index.name)
display(y.name)结果如下：
注意：目前可能看不出来，指定这个索引名称的好处在哪里，这个在学习DataFrame的时候，会得到很好的体现。
如果多个series放在了一起，那么必然可以构建成一个dataframe，那么每个series的名称就是构成当前这个dataframe的column。(仔细先体会这段话)
下面，我们先用一个简单的例子，说明一下Serie名称的作用。
从上图中可以看出，In[6]我们先创建了一个dataframe，这个dataframe可以看作是由三个Series堆积而成的。In[8]我们选取了其中一列，那么得到的就是一个Series， In[9]我们获取这个Series的name，可以看出结果就是该列的column列名。
