1.Series的索引

Series是Pandas库中的一种一维数据结构对象，与常规的一维数组相比，其最显著的特点在于拥有显式的索引结构。这种显式索引使得Series在数据处理和分析中更具灵活性和便利性。

显式索引指的是Series中每个元素除了值之外，还关联着一个明确的标识，即索引标签。这些标签可以是任意类型的数据，如整数、字符串等，为数据提供了额外的描述信息。通过显式索引，用户可以方便地根据特定标签访问、筛选或操作Series中的元素。

相对而言，隐式索引则是指那些没有显式定义索引的结构中，元素所隐含的顺序位置信息。在常规的一维数组或列表中，元素的索引通常是隐式的，通过整数来表示其在数组中的位置。

Series通过结合显式索引和值，为数据处理提供了一种更为强大和灵活的工具。无论是在数据分析、机器学习还是其他数据处理场景中，Series的显式索引都能大大提高工作效率和准确性。

2.显式索引

• 使用 index 中的元素作为索引值

• 使用 .loc[]（推荐）

s = pd.Series({"Python":150,"NumPy":100,"Pandas":130})
s
# 执行结果
Python    150
NumPy     100
Pandas    130
dtype: int64

# 显示索引：使用索引名，取单个元素得到的是值
s["Python"]
# 执行结果
150

# 使用2个中括号得到的类型式 Series，一次取多个元素
s[["Python","NumPy"]]
# 执行结果
Python    150
NumPy     100
dtype: int64

# 使用 loc[]
s.loc["Python"]
s.loc[["Python","NumPy"]]
# 执行结果
Python    150
NumPy     100
dtype: int64

3.隐式索引

• 使用整数作为索引值

• 使用 .iloc[]（推荐）

# 隐式索引：使用数字下标
s[0]
# 执行结果
150

s[[0,2]]
# 执行结果
Python    150
Pandas    130
dtype: int64

s[[0]]
# 执行结果
Python    150
dtype: int64

# 使用 iloc[]
s.iloc[0]
# 执行结果
150

s.iloc[[0,2]]
# 执行结果
Python    150
Pandas    130
dtype: int64