第1关：Series数据选择

任务描述

本关任务：根据相关知识，得到目标Series对象，具体要求请查看编程要求。

相关知识

Series对象与一维Numpy数组和标准Python字典在许多方面都一样。所以，Series对象的数据索引和选择模式与以上两种数据结构类似。

Series数据选择方法

与Python中的字典一样，Series对象提供了键值对的映射。

还可以用Python字典的表达式和方法来检测键/索引和值，也可以像字典一样来修改Series对象的值。

Series对象的可变性是一个非常方便的特性：Pandas在底层已经为可能发生的内存布局和数据复制自动决策，用户不需要担心这些问题。

将Series看作一堆数组

Series对象还具备和Numpy数组一样的数组数据选择功能，包括索引、掩码、花哨索引等操作，具体示例如下所示：

将显示索引作为切片：

注意：显示索引切片结果包含最后一个索引，也就是能取到“c”的值。
1. In: data['a':'c']
2. Out: a 0.25
3. b 0.50
4. c 0.75
5. dtype: float64
将隐式整数索引作为切片：

注意：隐式索引切片结果不包含最后一个索引。
1. In: data[0:2]
2. Out: a 0.25
3. b 0.50
4. dtype: float64
掩码：
1. In: data[(data > 0.3) & (data < 0.8)]
2. Out: b 0.50
3. c 0.75
4. dtype: float64
花哨的索引：
1. In: data[["a","e"]]
2. Out: a 0.25
3. e 1.25
4. dtype: float64

索引器：loc和iloc

这些切片和取值操作非常混乱，假如Series对象索引序列为整数时，data[2]不会取第三行，而是取索引序列为2的那一行，也就是说会优先使用显示索引，而data[1:3]这样的切片操作会优先使用隐式索引。

正是应为这些整数索引很容易造成混淆，所以Pandas提供了一些索引器(indexer) 属性来作为取值的方法。它们不是Series对象的函数方法，而是暴露切片接口的属性。

Python代码的设计原则之一式“显示优于隐式”。使用loc和iloc 可以让代码更容易维护，可读性更高。特别是在处理整数索引的对象时，我强烈推荐使用这两种索引器。它们既可以让代码阅读和理解起来更容易，也能避免因误用索引或者切片而产生的小bug。

编程要求

本关的编程任务是补全右侧上部代码编辑区内的相应代码，要求实现如下功能：

提示：使用to_datetime()函数可以将字符串转换成时间戳。

pd.to_datetime('2019-01-01')

请先仔细阅读右侧上部代码编辑区内给出的代码框架，再开始你的编程工作！

测试说明

平台会对你编写的代码进行测试，对比你输出的数值与实际正确的数值，只有所有数据全部计算正确才能进入下一关。

测试输入：

np.array([4,9,4,3,1,981,13,6,46,1,647,64,31,46,46,13,198,76,13,1698,7496,2,100,8201,30])

预期输出：

实现代码：

import pandas as pd

import numpy as np

arr = input()

dates = pd.date_range('20190101', periods=25) # 生成时间序列

df = pd.Series(eval(arr),index=dates)

#完成编程要求，并输出结果

#********** Begin **********#

a=pd.to_datetime('2019-01-29')

b=pd.to_datetime('2019-01-04')

df[a]=320

dh=df[b:]

print(dh[dh>100])

#********** End **********