仅由一组数据即可产生最简单的Series，其字符串表现形式为：索引在左边，值在右边。pandas中的isnull()和notnull()函数可用于检测缺失数据。Series的索引可以通过赋值的方式就地修改。
预告：后边一段时间，我会分享一系列关于Python数据分析的内容，为大家展示一个数据分析师需要掌握什么知识，具备什么样的技能，感兴趣的可以先关注下。要使用强大的Python数据分析模块pandas，我们首先要熟悉它的两个主要的数据结构：Series（序列）和DataFrame（数据框），或许它们无法解决所有的问题，但它们为大多数应用提供了一种可靠的、易于使用的基础。
1.生成Series（序列）
Series是一种类似于一维数组的对象，它由一组数据以及一组与之相关的数据标签组成。
仅由一组数据即可产生最简单的Series，其字符串表现形式为：索引在左边，值在右边。
如果我们没有为数据指定索引，那么它会自动创建一个0到N-1（N为数据的长度）的整数型索引。
我们可以通过Series的values和index属性获取其数组表示形式和索引对象：
2.通常，我们希望所创建的Series带有以各可以对各个数据点进行标记的索引：
可以看到，与普通NumPy数组相比，我们可以通过索引的方式选取Series中的单个或一组值，甚至可以进行赋值操作。
3.对Series进行NumPy数组运算（如根据布尔型数组进行过滤、标量乘法、应用数学函数等）时都会保留索引和值之间的链接。
4.还可以将Series看成是一个定长的有序字典，因为它是索引值到数据值的一个映射，它可以用在许多原本需要字典参数的函数中。如果数据被存放在一个Python字典中，也可以通过这个字典来创建Series。
可以看到，如果只传入一个字典，则结果Series中的索引就是原字典的键（有序排列）。
我们还可以同时传入一个字典和一个索引列表（元组和数组也可以，如下图所示），如下图的例子，sdata中跟states索引相匹配的值会被找出来，并按照顺序放到相应的位置。
但由于‘California’所对应的sdata值找不到，所以其结果为NaN（not a number，非数字，在pandas中，用于表示缺失或NA值）。pandas中的isnull()和notnull()函数可用于检测缺失数据。同时，Series也有类似的实例方法（对于pd.isnull(obj4)我们称之为对实例obj4应用函数pd.isnull()，对于obj4.isnull()我们一般称之为实例obj4的方法isnull()）：
对缺失数据的处理，永远是数据分析和数据挖掘过程中的重要一环，我们将会在后续的内容中详细讨论。
5.对于许多应用而言，Series最重要的功能是：它在算数运算中会自动对齐不同索引的数据。关于数据对齐的内容我们也会在后续单独讲解。
6.Series对象本身及其索引都有一个name属性，该属性跟pandas其他的关键功能关系非常密切。Series的索引可以通过赋值的方式就地修改。
,
