3.2 核心数据结构：Series

3.2.1 创建与访问

什么是Series

类似于 NumPy 一维数组，但增加了 “标签”，可以理解为「一维标签化数组」

Series 是 Pandas 中的一个核心数据结构，类似于一个一维的数组，具有数据和索引。

Series 可以存储任何数据类型（整数、浮点数、字符串等），并通过标签（索引）来访问元素。Series 的数据结构是非常有用的，因为它可以处理各种数据类型，同时保持了高效的数据操作能力，比如可以通过标签来快速访问和操作数据。

Series 特点：

• 一维数组：Series 中的每个元素都有一个对应的索引值。
• 索引： 每个数据元素都可以通过标签（索引）来访问，默认情况下索引是从 0 开始的整数，但你也可以自定义索引。
• 数据类型： Series 可以容纳不同数据类型的元素，包括整数、浮点数、字符串、Python 对象等。
• 大小不变性：Series 的大小在创建后是不变的，但可以通过某些操作（如 append 或 delete）来改变。
• 操作：Series 支持各种操作，如数学运算、统计分析、字符串处理等。
• 缺失数据：Series 可以包含缺失数据，Pandas 使用NaN（Not a Number）来表示缺失或无值。
• 自动对齐：当对多个 Series 进行运算时，Pandas 会自动根据索引对齐数据，这使得数据处理更加高效。

我们可以使用 Pandas 库来创建一个 Series 对象，并且可以为其指定索引（Index）、名称（Name）以及值（Values）：

import pandas as pd
s = pd.Series([10, 20, 30], index=["a", "b", "c"])

创建Series

直接通过列表创建Series

import pandas as pd
s = pd.Series([4, 7, -5, 3])
print(s)
# 0    4
# 1    7
# 2   -5
# 3    3
# dtype: int64

Series的字符串表现形式为：索引在左边，值在右边。由于我们没有为数据指定索引，于是会自动创建一个0到N-1（N为数据的长度）的整数型索引。

通过列表创建Series时指定索引

s = pd.Series([4, 7, -5, 3], index=["a", "b", "c", "d"])
print(s)
# a    4
# b    7
# c   -5
# d    3
# dtype: int64

通过列表创建Series时指定索引和名称

s = pd.Series([4, 7, -5, 3], index=["a", "b", "c", "d"],name="hello_python")
print(s)
# a    4
# b    7
# c   -5
# d    3
# Name: hello_python, dtype: int6

名称的作用，与变量名的区别

在 Pandas 的 Series 中，name 参数用于给整个 Series 对象赋予一个名称。这个名称有以下几个用途：

1. 标识作用

• name 可以作为 Series 的标识，类似于给数据列取一个名字。
• 当你打印 Series 时，name 会显示在输出的最下方（如你的例子所示）。

2. DataFrame 列名

• 如果你将一个 Series 转换成 DataFrame 或与其他 DataFrame 合并，name 会自动成为列名。
• 例如：

df = s.to_frame()  # 转换为 DataFrame，列名就是 "hello_python"
print(df)

输出：

Plain Text
   hello_python
a             4
b             7
c            -5
d             3

3. 对齐操作

• 在 Pandas 运算（如 concat、merge 等）时，name 可以帮助对齐数据。

4. 导出数据

• 当你将 Series 导出为 CSV 或其他格式时，name 会成为列名。

name 的主要作用是 给 Series 一个标识，方便后续数据处理、合并或导出。如果只是单独使用 Series，name 可能看起来作用不大，但在更复杂的数据操作中（如 DataFrame 整合），它会很有用。

• 直接通过字典创建Series

dic = {"a": 4, "b": 7, "c": -5, "d": 3}
s = pd.Series(dic)
print(s)
# a    4
# b    7
# c   -5
# d    3
# dtype: int64
s1 = pd.Series(dic,index=["a","c"],name="aacc")
print(s1)
# a    4
# c   -5
# Name: aacc, dtype: int64

访问Series数据

以下是 Pandas 中访问 Series 数据的主要方法汇总表格：

方法分类	语法示例	描述	返回值	是否支持切片/布尔索引
位置索引	s.iloc[0]	通过整数位置访问（从0开始）	标量值	是
	s.iloc[1:3]	位置切片（左闭右开）	Series
标签索引	s.loc[‘a’]	通过索引标签访问	标量值	是
	s.loc[[‘a’,’b’]]	通过标签列表访问	Series
直接索引	s[0]	类似iloc（当索引非整数时可能混淆）	标量值/Series	是
	s[‘a’]	类似loc（优先标签索引）
布尔索引	s[s > 3]	通过布尔条件筛选	Series	是
	s[~(s > 3)]	取反条件
函数访问	s.at[‘a’]	快速访问单个标签（类似loc但效率更高）	标量值	否
	s.iat[0]	快速访问单个位置（类似iloc但效率更高）
头部/尾部	s.head(3)	访问前N行（默认5）	Series	否
	s.tail(2)	访问后N行（默认5）
取唯一值	s.unique()	返回唯一值数组	ndarray	否
值计数	s.value_counts()	统计各值出现次数	Series

1. 优先使用**loc****/****iloc**：直接索引[]的行为可能因索引类型不同而变化，明确场景时建议显式使用loc（标签）或iloc（位置）。
2. 切片差异：
3. loc切片为闭区间（包含两端）
4. iloc切片为左闭右开（与Python列表一致）
5. 布尔索引：常用于条件过滤，如s[s > 3 & s < 10]。

s = pd.Series([10, 20, 30, 40], index=['a', 'b', 'c', 'd'])
# 位置索引
print(s.iloc[0])  # 10
# 标签访问
s["a"]    
# 标签索引
print(s.loc['b'])  # 20
# 布尔索引
print(s[s > 25])  # c:30, d:40
# 花式索引
print(s[['a', 'c']])  # a:10, c:30

#使用布尔索引从Series中筛选满足某些条件的值
bools = s > s.mean()  # 将大于平均值的元素标记为 True
print(bools)
# a    False
# b     True
# c     True
# d    False
# dtype: bool
print(s[bools])
# b    3.5
# c    6.8
# dtype: float64
# 使用where过滤
print(s.where(s > 20, -1))  # 小于等于20的值替换为-1

Series的常用属性

属性	说明
index	Series的索引对象
values	Series的值
dtype或dtypes	Series的元素类型
shape	Series的形状
ndim	Series的维度
size	Series的元素个数
name	Series的名称
loc[]	显式索引，按标签索引或切片
iloc[]	隐式索引，按位置索引或切片
at[]	使用标签访问单个元素
iat[]	使用位置访问单个元素

import pandas as pd
arrs = pd.Series([11,22,33,44,55],name="atguigu",index=["a","b","c","d","e"])
# print(arrs)
# index Series的索引对象
print(arrs.index)
for i in arrs.index:
    print(i)
print(arrs.values) # values    Series的值
print(arrs.ndim)  # ndim  Series的维度
print(arrs.shape)  # shape Series的形状
print(arrs.size) # size  Series的元素个数
# dtype或dtypes  Series的元素类型
print(arrs.dtype)
print(arrs.dtypes)
# name  Series的名称
print(arrs.name)
# loc[] 显式索引，按标签索引或切片
print(arrs.loc["c"])
print(arrs.loc["c":"d"])
# iloc[]    隐式索引，按位置索引或切片
print(arrs.iloc[0])
print(arrs.iloc[0:3])
# at[]  使用标签访问单个元素
print(arrs.at["a"])
# iat[] 使用位置访问单个元素
print(arrs.iat[3])