1. 为什么Series是Pandas的基石
第一次接触Pandas时,我被DataFrame的强大功能吸引,却忽略了Series这个基础构建块。直到在实际项目中处理传感器时序数据时,才发现Series的灵活性和高效性远超想象。Series不仅是DataFrame的组成单元,更是处理一维数据的瑞士军刀。
Series本质上是一个带标签的一维数组,由两个核心部分组成:索引(index)和值(values)。这种设计让它既保留了NumPy数组的高效计算能力,又增加了数据对齐和快速查找的特性。举个例子,当我们需要处理股票每日收盘价时,使用Python原生列表需要额外维护日期列表,而Series直接通过index-value的对应关系就能完美表达这种数据。
关键认知:Series不是简单的"增强版列表",而是构建在NumPy数组之上的、具有智能索引能力的数据结构。这种设计让它在处理带标签数据时比传统数据结构快10-100倍。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. Series的创建与核心操作
2.1 六种创建方式实战
创建Series就像准备不同的烹饪原料,每种方式适合不同场景:
python复制# 1. 从列表创建(最常用)
temps = [22.1, 23.5, 24.8, 21.2]
days = ['Mon', 'Tue', 'Wed', 'Thu']
temp_series = pd.Series(temps, index=days)
# 2. 从字典创建(自动处理索引)
stock_data = {'AAPL': 178.72, 'GOOGL': 2765.34, 'MSFT': 328.39}
stocks = pd.Series(stock_data)
# 3. 从NumPy数组创建(高性能场景)
import numpy as np
random_data = np.random.normal(0, 1, 1000)
random_series = pd.Series(random_data)
# 4. 标量值创建(特殊用途)
constant_series = pd.Series(5, index=range(100))
# 5. 从文件读取(实际项目常用)
csv_series = pd.read_csv('data.csv', u
