一起学习，一起成长！
Numpy是python及其重要的计算包，那么numpy是如何进行运算的，接下里小编将具体进行介绍：
1. Numpy数组运算
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）都会保留索引和值之间的链接：
如：
@ In [7]: obj2[obj2>0]
@ In [8]: obj2*2
@ In [10]: np.exp(obj2)
2.可使用部分字典参数的函数
Series可被看成是索引值到数据值的一个映射。
In [14]: 'b' in obj2
Out[14]: True
3.通过字典创建Series
In [15]: sdata={'ohio':35000,'Texas':70000}
In [16]: obj3=Series(sdata)
In [17]: obj3
Out[17]:
Texas 70000
ohio 35000
dtype: int64
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）。
In [17]: sdata={'ohio':35000,'Texas':70000}
In [18]: states=['california','ohino']
In [19]: obj4=Series(sdata,index=states)
In [20]: obj4
Out[20]:
california NaN
ohino NaN
dtype: float64
4.缺失数据表示及检测
NaN（非数字）在pandas中，它用于表示缺失或NA值。使用缺失（missing）或NA表示缺失数据。pandas的isnull和notnull函数可用于检测缺失数据。
- isnull
In [21]: pd.isnull(obj4) #或obj4.isnull()
Out[21]:
california True
ohino True
dtype: bool
- notnull
In [22]: pd.notnull(obj4) #或obj4.notnull()
Out[22]:
california False
ohino False
dtype: bool
5. Series自动对其不同索引的数据
对于许多应用而言，Series最重要的一个功能是：它在算数运算中会自动对齐不同索引的数据。
In [25]: obj3
Out[25]:
Texas 70000
ohio 35000
dtype: int64
In [26]: obj4
Out[26]:
california NaN
ohino NaN
dtype: float64
In [27]: obj3 obj4
Out[27]:
Texas NaN
california NaN
ohino NaN
ohio NaN
dtype: float64
数据对齐功能将在一个单独的主题中讲解。
6. name属性
该属性跟pandas其他的关键功能关系非常密切：
In [28]: obj4.name='pop'
In [29]: obj4.index.name='state'
In [30]: obj4
Out[30]:
state
california NaN
ohino NaN
Name: pop, dtype: float64
7.通过赋值就地修改索引
Series的索引可以通过赋值的方式就地修改：
In [31]: obj4.index=['bob','lie']
In [32]: obj4
Out[32]:
bob NaN
lie NaN
Name: pop, dtype: float64
「亲，如果笔记对您有帮助，收藏的同时，记得给点个赞、加个关注哦！感谢！」
「文中代码均亲测过，若有错误之处，欢迎批评指正，一起学习，一起成长！」
,
