Series 是pandas两大数据结构中（DataFrame，Series）的一种，我们先从Series的定义说起，Series是一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关的数据标签（即索引）组成。
Series对象本质上是一个NumPy的数组，因此NumPy的数组处理函数可以直接对Series进行处理。但是Series除了可以使用位置作为下标存取元素之外，还可以使用标签下标存取元素，这一点和字典相似，每个Series对象都由两个数组组成： 1) index: 它是从NumPy数组继承的Index对象，保存标签信息。 2) values: 保存值的NumPy数组。
了解Series的这种数据结构，对于接下来使用Series至关重要。
灵活使用Series
这部分的总结思路如下：
i.如何创建Series； ii.Series索引; iii.Series的增删改查
2.1 创建Series
创建Series，直接调用Series的构造函数，如下：
#只指定values
s1 = pd.Series( [3,5,7])
#还指定index
s2 = pd.Series( [3,5,7], index = list('ABC') )
#再指定name
s3 = pd.Series( [3,5,7], index = list('ABC'),name='s3' ) #指定name的作用：append到pd中的行索引标签
单独说明一点： Series的元素类型可以是不同的，比如：
mix = pd.Series( [3, '5', 7.0] ) # 此时的mix的类型为object，而不是像上面的int64
2.2 Series索引
创建Series时，如果不指定index，默认索引从0开始。如果创建完Series后，想修改索引，可以这样：
s1.index = ['a', 'b', 'c']
这样，s1的索引变为从’a’开始。
这样，s1的索引变为从’a’开始。
2.3 Series增删改查
2.3.1增加
Series的增加有两个类似的API，但是不要混淆了啊，一个是add，它的效果是元素对应相加，另一个是append，才是将元素拼接到原series后。
s3.add(s2)
元素的个数还是3个，只不过元素大小变为[6,10,14]，注意如果索引不相同的add，会增加元素个数，但是所有元素都变为Nan
那append的呢？
s3.append(s2) #元素个数变为6个，并且索引可以允许重复，记住pandas中是允许出现重复的索引标签的。
2.3.2 删除
如何删除series的一个元素呢，调用drop，接口中传入一个索引标签。
s3.drop(‘A’)
删除后如果再想恢复怎么办呢？因为series的index是一个list，所以先添加一个pd.Index()实例，然后再充填上值就行：
s3.index.append(pd.Index([‘A’]) )
2.3.3 修改
想修改某个元素，直接找到对应的标签（按照字典的方式），或找到对应的values的索引，
s3[‘B’] = 6
或者，
s3[1] = 6
2.3.4 查找
查找某个元素，可以通过标签或索引，见如上的修改方法，不再详述。
DataFrame
DataFrame是pandas的两个重要数据结构的另一个，可以看做是Series的容器，看早一个DataFrame实例的方法也很简单：
pd_data = pd.DataFrame([ [9,0,1],[7,3,10] ] )
这种方法默认下行索引标签和列索引标签都是从0开始。注意这是DataFrame的重要特性之一，同时具有行列标签，如果Series是一维的数组，那么作为其容器的DataFrame自然是二维的数组，其中行的axis=0, 列的axis=1.
既然DataFrame和Series如此紧密，那么它们之间又是如何通信的呢？ 下面看下如何将一个Series转载到一个DataFrame的实例中。
3.1 装载Series
先看一个没达到预期的装载，我们想把s3装载到pd_data中，调用append，API调对了，但是错误的是它们的索引不对应，所以：
pd_data.append(s3)
因此，以上的DataFrame实例pd_data，修改其columns与s3对应，
pd_data.columns = list(‘ABC’)
pd_data.append(s3)
插播：
•上面也涉及到DataFrame的行列标签属性设置，分别为index, columns，可以先创建后设置标签，如上所示。
•可以观察到s3的name变为了加入后的行标签
以上，pandas的两种最重要的数据结构，弄明白了其原理，用起来便能顺手些，如有疏漏或错误，请指针。
