pandas Series 初体验

Series 是 pandas 中的一维数据结构，类似于带标签的数组。每个元素都有对应的索引（默认从 0 开始），支持自定义索引标签。

创建 Series

通过列表创建：

import pandas as pd
data = [10, 20, 30]
s = pd.Series(data)

通过字典创建（自动将键作为索引）：

data = {'a': 10, 'b': 20, 'c': 30}
s = pd.Series(data)

指定索引标签（长度需与数据一致）：

s = pd.Series([10, 20, 30], index=['x', 'y', 'z'])

iloc 和 loc 的区别

iloc 和 loc 是 Pandas 中用于数据索引的两种方法，但它们的用途和操作方式有显著差异。

iloc

• 基于整数位置索引，遵循 Python 的切片规则（左闭右开）。
• 语法：df.iloc[行索引, 列索引]，索引可以是单个整数、列表或切片。
• 示例：

  df.iloc[0:3, 1:4]  # 选择第0到2行，第1到3列
  df.iloc[[0, 2], [1, 3]]  # 选择第0和第2行，第1和第3列
  

loc

• 基于标签索引，包含起始和结束位置（左闭右闭）。
• 语法：df.loc[行标签, 列标签]，标签可以是行/列名、列表或切片。
• 示例：

  df.loc['row1':'row3', 'colA':'colC']  # 选择行标签从row1到row3，列标签从colA到colC
  df.loc[['row1', 'row3'], ['colA', 'colC']]  # 选择特定行和列
  

关键区别

1. 索引类型

   • iloc：仅接受整数位置。
   • loc：接受行/列标签（如字符串、时间戳）。

2. 切片行为

   • iloc：右边界不包含（如 0:3 包含0,1,2）。
   • loc：右边界包含（如 'a':'c' 包含a,b,c）。

3. 布尔索引
   两者均支持布尔数组，但 loc 更常用于条件筛选：

   df.loc[df['colA'] > 0]  # 筛选colA大于0的行
   

使用

• 用 iloc 当数据顺序固定且需按位置访问时（如处理无标签的纯数值数据）。
• 用 loc 当需要按标签筛选或处理带名称的列/行时（如时间序列数据）。

  在 Pandas 中，Series 之间的四则运算（加、减、乘、除）可以通过直接使用运算符或对应方法实现，运算时会按索引对齐。以下是具体操作方法和注意事项：

  基本运算示例

  假设有两个 Series：

  import pandas as pd
  s1 = pd.Series([10, 20, 30], index=['a', 'b', 'c'])
  s2 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
  

  加法
  直接使用 + 运算符或 add() 方法：

  s1 + s2
  # 或
  s1.add(s2)
  # 输出：a=11, b=22, c=33
  

  减法
  使用 - 运算符或 sub() 方法：

  s1 - s2
  # 或
  s1.sub(s2)
  # 输出：a=9, b=18, c=27
  

  乘法
  使用 * 运算符或 mul() 方法：

  s1 * s2
  # 或
  s1.mul(s2)
  # 输出：a=10, b=40, c=90
  

  除法
  使用 / 运算符或 div() 方法：

  s1 / s2
  # 或
  s1.div(s2)
  # 输出：a=10.0, b=10.0, c=10.0
  

  通过 fill_value 参数指定缺失值的默认值：

  s1.add(s3, fill_value=0)
  # 输出：a=11.0, b=20.0, c=30.0, d=2.0