Series

Series(data=None, index=None, lazy=False)

• data: 可以是 Python list, DolphinDB Vector, pandas Series 或空值，必须是强类型。

• index：可以是 Python list, DolphinDB Vector, pandas Series, 单层索引或空值，必须是强类型。暂不支持多层级索引。

• lazy：可选参数，为一个布尔值，默认为 True。表示是否创建一个惰性的 Series。惰性 Series 是原对象的一个视图，计算操作不会立即执行；非惰性 Series 是原对象的一个拷贝，计算操作会立即执行。

注意：

• 暂不支持 data 指定为分区表的列。
• 若 data 为空，在创建 Series 时，会自动填充为 None，类型为 DOUBLE。
• 若 data 指定为 Series，则不能指定 index。
• lazy = True 时，index 不能包含元素全部是 None 的 list，例如：[None,None]。

使用前说明：

• Series 类中函数的 dtype 参数只能指定为 DolphinDB 的数据类型，例如：ddb.DOUBLE, ddb.STRING。
• 目前 DolphinDB 支持的 Series 中的部分函数仅支持了部分参数，必须通过 keywords 方式传参。举例说明：DolphinDB 的 Series.groupby 函数仅支持 by 和 dropna 参数，其参数调用方式为：Series.groupby(by=["a", "a", "b", "b"], dropna=False)。

目前支持以下函数：

目前支持以下函数：

支持 Python pandas.Series 中的所有二元运算符函数。但需要注意以下几点：

• 所有函数均不支持 level 参数。
• 所有函数中的 other 参数仅支持 scalar, DolphinDB vector, list, Series 四种数据类型，不支持 DataFrame。
• 若 eq 函数的 other 参数是 scalar，则不能指定 fill_value 参数。
• combine 函数中 func 参数仅支持内置函数，不支持用户自定义函数。

以下函数的 func 参数只能是 pandas 内置函数、自定义函数（包括 lambda 表达式）。暂不支持 **kwargs 参数。

已经支持 Computations / descriptive stats 中的以下函数：abs, all, any, autocorr, between, corr, count, cov, diff, kurt, kurtosis, mad, max, mean, median, min, mode, nlargest, nsmallest, prod, sem, skew, std, sum, var, unique, nunique, is_unique, is_monotonic_increasing, is_monotonic_decreasing, value_counts。

注意：

• 所有函数均不支持 axis, skipna, bool_only, fill_value, min_count, ddof 参数。
• 除 count, mad, max, mean, median, min, prod, skew, sum, sem, std, var 函数外，其它函数均不支持 level 参数。
• 此外，部分函数暂时还不支持某些参数，详见下表：

目前支持 Reindexing / selection / label manipulation 中的以下函数：drop, drop_duplicates, first, head, idxmax, idxmin, isin, last, reindex, reset_index。部分函数暂时还不支持某些参数，详见下表：

目前支持 Missing data handling 中的以下函数：backfill, isnull, notnull, pad。

注意：所有函数均不支持 axis 和 downcast, inplace, limit 参数。

目前支持 Reshaping, sorting 中的以下函数：argsort, argmin, argmax, sort_values, sort_index 函数。

注意：所有函数都不支持 axis 参数。部分函数不支持某些参数，详见下表：

已经支持 Combining / comparing / joining / merging 中的函数。部分函数不支持某些参数，详见下表：

已经支持 Time Series-related 中的大部分函数。暂不支持 tz_convert 和 tz_localize 函数。部分已支持的函数的兼容性，详见下表：

• 不指定 index，则索引值从 0 开始。

s = pd.Series([20, 21, 12])
print(s)
// output：
0  20
1  21
2  12
dtype: INT

• 指定单列索引

pd.Series([20, 21, 12], ['London', 'New York', 'Helsinki'])
print(s)
// output：
  London  20
New York  21
Helsinki  12
dtype: INT

city = ['London', 'New York', 'Helsinki']
s = pd.Series([20, 21, 12], city)

（1）隐式访问

• 访问单个元素

s[0] 
s.iloc[0] 
s.iat[0]
// output: 20

• 访问多行

s[[0,2]]
s.iloc[[0,2]]
// output:
London     20
Helsinki   12
dtype: INT

• 切片访问

s[0:3]
s.iloc[0:3]
// output：
  London  20
New York  21
Helsinki  12
dtype: INT

s[:2]
s.iloc[:2]
// output：
  London  20
New York  21
dtype: INT

s[1:]
s.iloc[1:]
// output：
New York  21
Helsinki  12
dtype: INT

s[:]
s.iloc[:]
// output：
  London  20
New York  21
Helsinki  12
dtype: INT

（2）显式访问

• 单标签访问单个元素

s['London']
s.loc['London']
// output：20

• 单标签访问多个元素

s[['London', 'New York']]
s.loc[['London', 'New York']]
// output:
  kind  
  A  20
  B  21
dtype: INT

• 切片访问

s['London':'Helsinki']
s.loc['London':'Helsinki']
// output:
    city  kind
  London     A  20
New York     B  21
Helsinki     A  12
dtype: INT

s[:]
s.loc[:]
// output:
    city  kind
  London     A  20
New York     B  21
Helsinki     A  12
dtype: INT

注意：暂不支持多标签访问时，通过切片访问全元素

s[:, 'A']
s.loc[:, 'A']

（1）追加数据

暂不支持。

（2）更新数据

• 直接修改元素：支持通过索引修改，暂不支持通过下标修改。

  s.loc["London"] = 33
  s[1] = 33 # supported

• 通过 update 函数更新数据

city = ['London', 'New York', 'Helsinki']
s = pd.Series([20, 21, 12], city)
s.update(pd.Series([50,60], index=['London', 'Helsinki']))
s

// output
  London  50
New York  21
Helsinki  60
dtype: INT

（3） 删除 Series 数据

• drop

s.drop(["London"])

• 基础的运算规则：索引值对齐后进行运算。例如：如果 s1 中没有对应 s 的索引，则计算结果为 NaN。

s=pd.Series([12, 15],["London","New York"])
city = ['London', 'Helsinki']
s1 = pd.Series([33, 25], city) 
s + s1
// output：
Helsinki  NaN
  London   45
New York  NaN
dtype: INT