import pandas as pd

import numpy as np

import names

'''

写在前面的话：

1、series与array类型的不同之处为series有索引，而另一个没有;series中的数据必须是一维的，而array类型不一定

2、可以把series看成一个定长的有序字典，可以通过shape,index,values等得到series的属性

'''

# 1、series的创建

'''

(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，如s1;

可以通过设置index参数指定索引，如s2；

通过这种方式创建的series，不是array的副本，即对series操作的同时也改变了原先的array数组，如s3

(2)由字典创建

字典的键名为索引，键值为值，如s4；

'''

n1 = np.array([1, 4, 5, 67, 7, 43, ])

s1 = pd.Series(n1)

# print(s1)

'''

1

4

5

67

7

43

dtype: int32

'''

s2 = pd.Series(n1, index=['a', 'b', 'c', 'd', 'e', 'f'])

# print(s2)

'''

a 1

b 4

c 5

d 67

e 7

f 43

dtype: int32

'''

# print(n1)

'''

[ 1 4 5 67 7 43]

'''

s1[2] = 100

s3 = s1

# print(s3)

'''

1

4

100

67

7

43

dtype: int32

'''

# print(n1)

'''

[ 1 4 100 67 7 43]

'''

dict1 = {}

for i in range(10, 15):

# names.get_last_name()，随机生成英文名字

dict1[names.get_last_name()] = i

s4 = pd.Series(dict1)

# print(s4)

'''

Poole 10

Allen 11

Davis 12

Roland 13

Brehm 14

dtype: int64

'''

# 2、series的索引

'''

(1)通过index取值，可以通过下标获取，也可以通过指定索引获取，如s6，s7

(2)通过.loc[](显示索引)获取，这种方式只能获取显示出来的索引，无法通过下标获取，如s7(推荐)

(3)隐式索引，使用整数作为索引值，使用.icol[]，如s9(推荐)

'''

s5 = pd.Series(np.array([1, 5, 9, 7, 6, 4, 52, 8]), index=[list('abcdefgh')])

# print(s5)

'''

a 1

b 5

c 9

d 7

e 6

f 4

g 52

h 8

dtype: int32

'''

s6 = s5[2]

# print(s6)

'''

'''

s7 = s5['c']

# print(s7)

'''

c 9

dtype: int32

'''

s8 = s5.loc['c']

# print(s8)

'''

c 9

dtype: int32

'''

s9 = s5.iloc[2]

# print(s9)

'''

'''

# 3、series的切片

'''

1、series的切片和列表的用法类似，不同之处在于建议使用.loc[:]和.iloc[:]，如s10和s11。当然直接使用[:]也可以。

2、当遇到特别长的series，我们支取出前5条或后5条数据时可以直接使用.head()或.tail()

'''

s5 = pd.Series(np.array([1, 5, 9, 7, 6, 4, 52, 8]), index=[list('abcdefgh')])

# print(s5)

'''

a 1

b 5

c 9

d 7

e 6

f 4

g 52

h 8

dtype: int32

'''

s10 = s5.loc['b':'g']

# print(s10)

'''

b 5

c 9

d 7

e 6

f 4

g 52

dtype: int32

'''

s11 = s5.iloc[1:7]

# print(s11)

'''

b 5

c 9

d 7

e 6

f 4

g 52

dtype: int32

'''

# 4、关于NaN

'''

(1)NaN是代表空值， 但不等于None。两者的数据类型不一样，None的类型为，而NaN的类型为；

(2)可以使用pd.isnull(),pd.notnull()，或自带isnull(),notnull()函数检测缺失数据

'''

# print(type(None),type(np.nan))

'''

'''

s12 = pd.Series([1,2,None,np.nan],index=list('烽火雷电'))

# print(s12)

'''

烽 1.0

火 2.0

雷 NaN

电 NaN

dtype: float64

'''

# print(pd.isnull(s12))

'''

烽 False

火 False

雷 True

电 True

dtype: bool

'''

# print(pd.notnull(s12))

'''

烽 True

火 True

雷 False

电 False

dtype: bool

'''

# print(s12.notnull())

'''

烽 True

火 True

雷 False

电 False

dtype: bool

'''

# print(s12.isnull())

'''

烽 False

火 False

雷 True

电 True

dtype: bool

'''

# 取出series中不为空的值

# print(s12[s12.notnull()])

'''

烽 1.0

火 2.0

dtype: float64

'''

# series的name属性

'''

'''

s12.name = '风水'

# print(s12)

'''

烽 1.0

火 2.0

雷 NaN

电 NaN

Name: 风水, dtype: float64

'''