Series(四)：Series和ndarray在运算时的异同
1、说明
由于pandas的底层是集成了numpy，因此Series的底层数据就是使用ndarray来构建的，因此我们得到了一个Series后，就可以使用numpy中的函数，对数据进行操作。但是Series与ndarry不同的地方在于，Series中多了一个索引。
这些问题都是细节问题，只有熟悉了这些细节知识，对于我们熟练使用numpy和pandas都是由很大帮助的。Series的底层数据就是由ndarray来构建的，而DataFrame又是由一个个的Series堆积而成的，随意取出DataFrame每一行或者每一列数据，都是一个Series。
2、运算时的相同点
① 直接使用numpy中的函数操作Series
import numpy as np
import pandas as pd
s = pd.Series([1,2,3,4])
display(s)
display(np.sum(s))
display(np.mean(s))
结果如下：
② 使用Series得到ndarray后，再使用numpy中的函数操作Series
s = pd.Series([1,2,3,4])
display(s.values)
display(type(s.values))
display(np.sum(s))
display(np.mean(s))
结果如下：
3、运算时的不同点
① 对于不同的ndarray，直接是对应元素相加
x = np.array([1,2,3,4])
display(x)
y = np.array([1,2,3,4])
display(y)
display(x+y)
结果如下：
② 对于不同的Series，在运算时按照索引进行匹配运算
x = pd.Series([1,2,3,4],index=["a","b","c","d"])
display(x)
y = pd.Series([1,2,3,4],index=["b","c","d","e"])
display(y)
display(x+y)
结果如下：
注意：索引匹配上的数据，元素对应相加。索引没有匹配上的数据，返回NaN值。
③ 对于索引无法匹配的情况，可以使用默认值代替
x = pd.Series([1,2,3,4],index=["a","b","c","d"])
display(x)
y = pd.Series([1,2,3,4],index=["b","c","d","e"])
display(y)
display(x+y)
display(x.add(y,fill_value=100))
结果如下：
说明：对于x有索引a，但是y没有索引a，因此使用的默认值后，相当于给y添加了一个a索引，值为100，然后就是1+100=101。对于x没有有索引e，但是y有索引e，因此使用的默认值后，相当于给x添加了一个e索引，值为100，然后就是4+100=104。
假如你非要将索引不同的Series，进行对应位置元素相加，那么只能是重置索引。也就是说，将两个索引不同的Series换上相同的索引，再进行对应元素相加。
4、ndarry和Series数据中，如果存在NaN值，会出现什么情况？
x = np.array([1,2,3,np.NaN])
display(x)
display(np.mean(x))
y = pd.Series([1,2,3,np.NaN])
display(y)
display(np.mean(y))
结果如下：
结果说明：从上图结果可以看出，ndarry会自动忽略nan值计算，而Series会自动忽略掉nan值进行计算。这是由于不同Series元素之间进行元素运算，是按照索引进行匹配相加的，这样就会导致很多nan值的出现，因此Series在numpy基础上做了部分改进，就是可以直接忽略nan值运算。
近期文章，点击图片即可查看
后台回复关键词「进群」，即刻加入读者交流群~
五
Series(四)
朱小五