Series类型的数据由一列数据及与之对应的标签（索引，位于数据的左侧）两部分组成。Series对象本质上 是一个NumPy数组，因此NumPy的数组处理函数同样适用于Series对象。每个Series对象都具有index和values 两大属性。 - index:保存标签信息 - values:保存值 1.创建Series对象
In [1]: import pandas as pd
In [2]: import numpy as np
In [3]: s1 = pd.Series()
In [4]: s1
Out[4]: Series([], dtype: float64)
2.Series对象的访问
In [8]: s2 = pd.Series([1, 3, 5, 7, 9], index=['a', 'b', 'c', 'd', 'e'])
In [9]: s2
Out[9]:
a 1
b 3
c 5
d 7
e 9
dtype: int64
In [10]: s2.values
Out[10]: array([1, 3, 5, 7, 9])
In [11]: s2.index
Out[11]: Index(['a', 'b', 'c', 'd', 'e'], dtype='object')
In [12]: s2['e']
Out[12]: 9
3.添加新元素
In [13]: s2['f'] = 66
In [14]: s2
Out[14]:
a 1
b 3
c 5
d 7
e 9
f 66
dtype: int64
4.将字典对象转换为Series对象
In [15]: pd.Series({'a': 1, 'b': 2, 'c': 3})
Out[15]:
a 1
b 2
c 3
dtype: int64
5.Series对象的元素提取与切片
obj.head(n=5) #默认查看对象的前五个数据
obj.tail(n=5) #默认查看对象最后五个数据
obj.take() #通过传入索引值列表来提取元素
In [18]: s2.head()
Out[18]:
a 1
b 3
c 5
d 7
e 9
dtype: int64
In [19]: s2.tail()
Out[19]:
c 5
d 7
e 9
f 66
g 11
dtype: int64
In [20]: s2.take([2, 4, 0]) #指定索引值
Out[20]:
c 5
e 9
a 1
dtype: int64
6.切片
In [22]: s2[0:4] #位置切片，不包括结束位置
Out[22]:
a 1
b 3
c 5
d 7
dtype: int64
In [23]: s2['a':'d'] #标签切片，包括结束位置
Out[23]:
a 1
b 3
c 5
d 7
dtype: int64
7.时间序列 Timestamp对象由Pandas包中的Timestamp()来创建，参数可以为str类型，也可以为datetime类型。
In [28]: date
Out[28]: datetime.datetime(2017, 9, 16, 0, 0)
In [29]: date = pd.Timestamp(date)
In [30]: date
Out[30]: Timestamp('2017-09-16 00:00:00')
通过to_datetime()将Series的index属性转换为DatetimeIndex(实际上对于datetime对象，我们可以直接 将其作为index，Pandas会自动将其转换成Timestamp对象
In [31]: dates = ['2017-01-01', '2017-01-02', '2017-01-03']
In [32]: ts = pd.Series([1, 2, 3], index=pd.to_datetime(dates))
In [33]: ts
Out[33]:
2017-01-01 1
2017-01-02 2
2017-01-03 3
dtype: int64
In [34]: ts.index
Out[34]: DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03'], dtype='datetime64[ns]', freq=None)
8.截取时间段数据
In [35]: ts['20170101']
Out[35]: 1
In [36]: ts['2017-01-01']
Out[36]: 1
In [37]: ts['01/01/2017']
Out[37]: 1
In [38]: ts['2017']
Out[38]:
2017-01-01 1
2017-01-02 2
2017-01-03 3
dtype: int64
In [39]: ts['2017-01': '2017-02']
Out[39]:
2017-01-01 1
2017-01-02 2
2017-01-03 3
dtype: int64
In [41]: ts.truncate(after='2017-01-02')
Out[41]:
2017-01-01 1
2017-01-02 2
dtype: int64
9.滞后或者超前操作
In [43]: ts.shift(1) #正数为滞后
Out[43]:
2017-01-01 NaN #2017-01-01的数据为前一项的数据，但前一项没有数据所以为NaN
2017-01-02 1.0 # 2017-01-02数据为2017-01-01的数据，所以为1
2017-01-03 2.0
dtype: float64
In [44]: ts.shift(-1) #负数为超前
Out[44]:
2017-01-01 2.0
2017-01-02 3.0
2017-01-03 NaN
dtype: float64
10.计算收益率
In [45]: (ts - ts.shift(1))/ts.shift(1)
Out[45]:
2017-01-01 NaN
2017-01-02 1.0
2017-01-03 0.5
dtype: float64
In [124]: a = pd.Series(['a','a','b','c'])
In [125]: a.value_counts()
Out[125]:
a 2
b 1
c 1
dtype: int64