一、通过列表创建

# encoding=utf-8
import pandas as pd
# 定义一个列表
a = [1, 2, 3, 4]
s1 = pd.Series(a)
print(s1)

运行结果：

第一列为索引，是Series在创建时默认生成的，第二列即为值，通过type(s1)命令即可看到s1的数据类型为：pandas.core.series.Series，我们也可以将第四行的代码改为：

`s1 = pd.Series(a, index=["a", "b", "c", "d"])`

重新设置我们的索引，这样原先的索引就从0,1,2,3变为了a,b,c,d，更有一定的语义。

如果我们想查看索引和值可以分别通过访问Series的index属性和values属性：

二、通过数组创建

这里的数组值的是numpy中的数组，它是对python列表的深度封装。我们来看代码：

# encoding=utf-8
import pandas as pd
import numpy as np
# 定义数组
arr = np.arange(1, 5)
s2 = pd.Series(arr)
print(s2)

运行结果：

可以看到，也成功创建了一个Series。

三、通过字典创建

关于Series，笔者认为它更像一个有序的大字典，因此我们用操作字典的习惯操作Series往往能得心应手。我们来看如何通过字典创建一个Series：

# encoding=utf-8
import pandas as pd
# 创建一个字典
dic = {"name": "丁少侠", "age": 20, "grade": [100, 99, 88]}
s3 = pd.Series(dic)
print(s3)

运行结果：

这里我们已经成功创建了一个存放学生信息的Series，由于字典自带key，因此索引也就自然创建了。如果我们希望grade放在第一列，应该怎么设置呢？我们只需要修改第5行代码：

s3 = pd.Series(dic, index=["grade", "name", "age"])

此时，index参数的功能不再是设置索引，而是根据索引排序，因为字典本身自带索引。

另外，假如我们将第5行代码修改为以下呢：

s3 = pd.Series(dic, index=["grade", "name", "age", "sex"])

可以看到，因为这位同学的性别未知，创建的Series中，sex这一栏就只能填NaN了，通过赋值，即可确定性别。

s3["sex"]="男"

看，像不像字典的操作！！！！那么我们顺着操作字典的思路再试着操作s3，再添加一个属性：hobby：

s3["hobby"] = ["code,basketball,sleep"]

关于Series的操作无非增删改查，这里我们点到为止。