Pandas 基於 NumPy，以 Series、DataFrame、Panel 資料結構來表現一維、二維、三維等資料，可以用更具體的 index、column、items 名稱來存取資料，而不只是面對索引數字。
Series 可用來表現一維資料，可看成是 NumPy 一維陣列的封裝，在最簡單的情境下，建構 Series 就像是建構 NumPy 一維陣列。例如：
import pandas as pd
nums1 = pd.Series([1, 2, 3])
nums2 = nums1 + 10
print(nums1)
print(nums2)
看來就像是 NumPy，只不過是 np.array 換成了 pd.Series？這是因為 Pandas 與 NumPy 有很好的相容性，許多 NumPy 的使用經驗都可以過渡到 Pandas 使用，例如這邊示範了〈Univerial 函式〉，以上會顯示的結果如下：
0 1
1 2
2 3
dtype: int64
0 11
1 12
2 13
dtype: int64
可以看到，Series 具有索引，〈NumPy 陣列索引〉中對一維 NumPy 陣列的索引方式，基本上都可以在 Series 上使用；然而不同的是，Series 可以指定其他的值作為索引，例如：
import pandas as pd
date = pd.Series([1975, 5, 26], index = ['年', '月', '日'])
print(date)
print(date['月']) # 以指定名稱作為索引
print(date[['年', '日']]) # 也可以用名稱作為索引陣列
執行結果如下：
年 1975
月 5
日 26
dtype: int64
5
年 1975
日 26
dtype: int64
可以指定其他值作為索引，乍看很像是鍵值成對的 dict 物件，你也可以使用 dict 來建立 Series 實例：
import pandas as pd
date = pd.Series({
'年' : 1975,
'月' : 5,
'日' : 26
})
print(date)
print(date['月'])
print(date[['年', '日']])
不過，Series 可以允許重複的索引名稱：
import pandas as pd
data1 = pd.Series({'a': 10, 'b': 20, 'c': 30, 'a': 40})
data2 = pd.Series([10, 20, 30, 40], index = ['a', 'b', 'c', 'a'])
print(data1)
print(data2)
這會顯示以下的結果：
a 40
b 20
c 30
dtype: int64
a 10
b 20
c 30
a 40
dtype: int64
因此，如果你的索引名稱會重複的話，就別使用 dict 來建構 Series，因為你在組織 dict 時，鍵就不允許重複了；另外，自行指定 index 時，索引名稱數量必須與元素數量相同。
想要取出元素值時，可以透過 Series 的 values，這會取得 NumPy 陣列，想要取得索引名稱時，可以透過 index，這會取得 pandas.core.indexes.base.Index 的子類別實例，其上擁有許多可用的方法，也就是說，想針對索引名稱作運算，也是十分方便。