在python中除了本文就有的列表，pandas库中的Series也可以看作列表， 表示一系列的值（数字或者其他数据），例如一列数字，想要对这些数字进行操作，首先要获取值。本文介绍python中获取Series值的三种方法：1、使用切片获取Series值；2、使用索引获取Series值；3、直接遍历Series获取值。

方法一：使用切片获取Series值
x = pd.Series(np.arange(1,11),index=list("abcdefghij"))

display(x)

  

display(x[::-1])

display(x[-4:-8:-1])

display(x[4:8:1])

方法二：使用索引获取Series值
# 根据值获取索引

series1[series1.values == 1].index

  

# 根据索引获取值

  

series1['a']

方法三：直接遍历Series获取值
from pandas import Series

series = Series(data=name,index=emp)

print(series)

for value in series.keys():# 遍历并拿到index数据

    print(value)

     

for value in series:#拿到name的值

    print(value)

     

for value in series.items():# 遍历并拿到每对索引和数据

    print(value)

以上就是python中获取Series值的三种方法，大家可以直接套入使用哦~

关于python中Series常见属性，可以点击查看。

Series中数据的获取非常类似list、ndarray中数据的获取，可以采用中括号[]里面包含索引值或者切片的方式来获取其中的一个或者一个片段（即切片，用[m:n]这样的结构来表示index范围）的数据。

但是Series因为多了一个index，所以他也可以通过索引值（index）作为线索进行数值的查询和获取，这个获取方法又有点类似于字典，所以我们可以把Series数据想象成字典和列表两种数据结构的融合。我们用以下代码来进行演示：
import pandas as pd
data_list = [3,4,5,6]
s_data = pd.Series(data_list,index=['a','b','c','d'])

print(s_data['b'])
print(s_data[['a']])
print(s_data[['a','c','d']])
print(s_data[0:2])

运行以上代码之后，我们可以得到以下结果：
4
a    3
dtype: int64
a    3
c    5
d    6
dtype: int64
a    3
b    4
dtype: int64
[Finished in 5.2s]

文章目录
pandas
1、Series
1）Series的创建
(1) 由列表或numpy数组创建
通过设置index参数指定索引
name参数
copy属性
(2) 由字典创建
2）Series的索引和切片
(0)常规索引的方式
(1) 显式索引：
(2) 隐式索引：
常规切片
显式切片
隐式切片
3）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ndim,shape，size，index,values等得到series的属性
可以通过head(),tail()快速查看Series对象的样式
使用pandas读取CSV文件
当索引没有对应的值时，可能出现缺失数据显示NaN（not a number）的情况
可以使用pd.isnull()，pd.notnull()，或自带isnull(),notnull()函数检测缺失数据


Excel的主要作用是保存数据，进行数据分析
Pandas是线上服务类型，数据分析和数据处理(在机器学习中数据处理)
在统计学理论支撑下诞生的，帮助相关的业务部分部门需要监控、定位、分析、解决问题，帮助企业高效决策，提高经验的效率，从而提高利润，发挥价值，规避分析。

pandas
数据分析 三剑客

numpy数值计算
pandas数据分析
matplotlib+seaborn数据可视化


tableau + power bi + Excel

# pandas继承了numpy
# pandas中有两组数据类型，一个是Series，另一个是DataFrame
import pandas as pd
import numpy as np

1、Series
Series是一种类似与一维数组的对象，由下面两个部分组成：
values：一组数据（ndarray类型）

key：相关的数据索引标签
1）Series的创建
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
s1 = pd.Series([1,2,3,4])
s1
#0    1
#1    2
#2    3
#3    4
#dtype: int64

通过设置index参数指定索引
s2 = pd.Series(data=[1,2,3,4],index=list('abcd'))
s2
#a    1
#b    2
#c    3
#d    4
#dtype: int64

name参数
s3 = pd.Series(data=[1,2,3,4],index=list('abcd'),name='demo')
s3
#a    1
#b    2
#c    3
#d    4
#Name: demo, dtype: int64

copy属性
对于ndarray来说，直接可以引用地址
arr = np.array([1,2,3,4,5])
ser = pd.Series(data=arr,copy=True)
ser
#0    1
#1    2
#2    3
#3    4
#4    5
#dtype: int32
arr[0]=100
ser
#0    1
#1    2
#2    3
#3    4
#4    5
#dtype: int32

(2) 由字典创建
#set类型不支持
dict_ = dict(a=1,b=2,c=3)
pd.Series(dict_)
#a    1
#b    2
#c    3
#dtype: int64

2）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：
(0)常规索引的方式
S = pd.Series(dict(a=1,b=2,c=3,d=4))
S[:2],S[:'c'],S.c
#(a    1
# b    2
# dtype: int64, a    1
# b    2
# c    3
# dtype: int64, 3)

索引的类型有两种：
枚举型索引:特征索引是连续数值

关联型索引:特征索引都是离散字符类型
(1) 显式索引：

使用index中的关联类型作为索引值
使用.loc[]（推荐）

可以理解为pandas是ndarray的升级版,但是Series也可是dict的升级版

注意，此时是闭区间
S.loc['b']
#2

(2) 隐式索引：

使用整数作为索引值
使用.iloc[]（推荐）

注意，此时是半闭区间

S.iloc[2]
#3

常规切片
S
#a    1
#b    2
#c    3
#d    4
#dtype: int64
S[1:-1]
#b    2
#c    3
#dtype: int64
S['a':'d']
#a    1
#b    2
#c    3
#d    4
#dtype: int64

显式切片
S.loc['a':'d']
#a    1
#b    2
#c    3
#d    4
#dtype: int64

隐式切片
S.iloc[0:-1]
#a    1
#b    2
#c    3
#dtype: int64

3）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ndim,shape，size，index,values等得到series的属性
S.ndim,S.shape,S.size,S.dtype
#(1, (4,), 4, dtype('int64'))
S.index
#Index(['a', 'b', 'c', 'd'], dtype='object')
S.keys()
#Index(['a', 'b', 'c', 'd'], dtype='object')
S.values
#array([1, 2, 3, 4], dtype=int64)
S.nbytes
#32

可以通过head(),tail()快速查看Series对象的样式
共同都有一个参数n，默认值为5
S = pd.Series(data=np.random.randint(0,10,10000))
#Linux 当中 head -n xxx.txt 读取前几行
S.head(n=3)
#0    4
#1    9
#2    8
#dtype: int32

使用pandas读取CSV文件
#filepath_or_buffer = 路径
#sep=','  CSV的分割符
city = pd.read_csv('500_Cities__Local_Data_for_Better_Health.csv')
city.head()


当索引没有对应的值时，可能出现缺失数据显示NaN（not a number）的情况
np.array([None,1,2,3])
#array([None, 1, 2, 3], dtype=object)
S=pd.Series([None,1,2,3])

可以使用pd.isnull()，pd.notnull()，或自带isnull(),notnull()函数检测缺失数据
#mysql  where demo is not null
index = S.notnull()
index
#0    False
#1     True
#2     True
#3     True
#dtype: bool
S[index]
#1    1.0
#2    2.0
#3    3.0
#dtype: float64

和列表、元组等数据结构的操作一样，我们也可以使用len()函数来获取一个Series数据结构的长度，课件len这个方法是普适性比较强的一个函数。我们使用以下代码来感受一下：
import pandas as pd
data_list = [3,4,5,6]
s_data = pd.Series(data_list,index=['a','b','c','d'])
data_len = len(s_data)
print(data_len)

tuple_data = (1,2,3,4)
tuple_length = len(tuple_data)
print(tuple_length)

list_length = len(data_list)
print(list_length)

运行之后，我们可以得到以下的运行结果：
4
4
4
[Finished in 5.7s]