Python数据分析中数据对齐功能都是自动的，这些你知道吗？

该号刚出生不久，喜欢的朋友别忘了点个关注。

在进行数据分析的过程中，经常会需要某一列与某一列进行计算，甚至某一个数据块与另外的数据块进行计算。如果相应的数据结构的形状相同还好，多数分析软件都能应对。若数据结构的形状有一定的差异，应该如何处理，如何对齐，如何运算呢？

在对齐这个方面，Python的数据分析库，pandas做的就非常好，我们可以通过对pandas的基础数据结构——Series的简单分析来窥探一二。

我们可以先从Series的创建入手。Series的创建，遵从index优先的法则。我们知道，在创建Series时，可以使用字典直接将索引和数值一次性交代清楚，比如下面：

在创建过程中，字典的键则转化为Series的索引，字典的值转化为Series的值。这个没什么疑问。然而有个问题是，字典是无序的键值对，但Series却是有序的，因此出现了像上图的情况：你的Series最终呈现出来的顺序，并不是你心里想要的，因为字典无序。

在这种情况下，我们就需要在创建Series的时候传入index参数，告诉pandas，告诉Python，你想要的顺序是怎样的。

如上图，当你传入了一个有序的列表，Python就知道你是要指定这样一个顺序，并且会自动将列表和字典进行对比，A对应A的值，B对应B的值，顺序正确的情况下，一一对应关系也不会错乱。

如果我的index多传了或者少传了元素会怎么办？

记住上面的话，index优先。即字典的键的数量和index的元素个数不匹配的时候，以index为准，多退少补。补的话自然是用NaN来补充了。

无论是多了还是少了，总之索引与值的对应关系不会乱，这是pandas的强大之处。

同样的，我们在操作两个Series进行加减乘除之类的运算时，也会先进行索引的对齐，然后再进行运算。

我们重新构造一个Series：

然后将该Series颠倒一下顺序赋值给另一个变量s2，这样就相当于构造出另一个新的Series了。

想一想，如果我现在用s+s2，会出现怎样的结果？会直接第一行与第一行的数相加，第二行与第二行相加，以此类推吗？

如果是这样的话，那么pandas就是一废物了。

可以看出，在相加之前，pandas会先对数据做对齐工作，而这个对齐，并不是基于空间上的位置，而是基于索引（index）的，相同的索引上的数据才会进行相加。因此你的空间顺序无论如何打乱，只要索引与值的对应关系没变，都不要紧。

这就是pandas的强大之处，也是pandas能从众多Python第三方数据分析工具里脱颖而出的原因之一。