在数据分析中，一维数据是最基础的数据形式。Pandas 提供了Series这一强大而灵活的一维数据结构，它不仅支持数值、字符串、布尔值等多种数据类型，还自带索引标签、缺失值处理、向量化运算等高级功能，是构建 DataFrame 的基石。
💡Series 本质上是一个带标签的 NumPy 一维数组，但功能远超普通数组。
本节将系统介绍：
- 如何创建 Series（列表、字典、自定义索引）
- 核心属性与元信息（index, values, dtype, name 等）
- 数据访问方式（loc, iloc, at, iat）
- 缺失值处理与布尔筛选
- 常用统计函数（mean, std, quantile, mode…）
- 排序、去重与频次统计
通过以下示例，您将快速掌握 Pandas Series 的日常使用技巧。
# series学习importpandasaspd s=pd.Series([1,2,3,4,5])print(s)# 自定义索引s=pd.Series([1,2,3,4,5],index=['A','B','C','D','E'])print(s)# 定义names=pd.Series([1,2,3,4,5],index=['A','B','C','D','E'],name='月份')print(s)0 1 1 2 2 3 3 4 4 5 dtype: int64 A 1 B 2 C 3 D 4 E 5 dtype: int64 A 1 B 2 C 3 D 4 E 5 Name: 月份, dtype: int64# 通过字典来创建s=pd.Series({"a":1,"b":2,"c":3})print(s)s1=pd.Series(s,index=["a","c"])print(s1)a 1 b 2 c 3 dtype: int64 a 1 c 3 dtype: int64# series的属性print(s.index)print(s.values)print(s.shape,s.ndim,s.size)print(s.dtype)s.name='test'print(s.name)print(s.loc['b':'c'])# 显式索引print(s.iloc[0:2])# 隐式索引print(s.at['a'])print(s.iat[0])Index(['a', 'b', 'c'], dtype='object') [1 2 3] (3,) 1 3 int64 test b 2 c 3 Name: test, dtype: int64 a 1 b 2 Name: test, dtype: int64 1 1# 访问数据# print(s[1])print(s['a'])print(s[s<3])print(s.head())print(s.tail())1 a 1 b 2 Name: test, dtype: int64 a 1 b 2 c 3 Name: test, dtype: int64 a 1 b 2 c 3 Name: test, dtype: int64# 常见函数importnumpyasnp s=pd.Series([10,2,np.nan,None,3,4,5],index=['A','B','C','D','E','F','G'],name='data')print(s)A 10.0 B 2.0 C NaN D NaN E 3.0 F 4.0 G 5.0 Name: data, dtype: float64s.head()# 默认取前五行s.tail()#默认取后五行C NaN D NaN E 3.0 F 4.0 G 5.0 Name: data, dtype: float64# 查看所有的描述性信息s.describe()count 5.000000 mean 4.800000 std 3.114482 min 2.000000 25% 3.000000 50% 4.000000 75% 5.000000 max 10.000000 Name: data, dtype: float64# 获取元素个数(忽略缺失值)print(s.count())5# 获取索引print(s.keys())# 方法print(s.index)# 属性Index(['A', 'B', 'C', 'D', 'E', 'F', 'G'], dtype='object') Index(['A', 'B', 'C', 'D', 'E', 'F', 'G'], dtype='object')print(s.isna())# 检查series里的每一个元素是否为缺失值s.isna()A False B False C True D True E False F False G False Name: data, dtype: bool A False B False C True D True E False F False G False Name: data, dtype: bools.isin([4,5,6])# 检查每个元素是否在参数集合中A False B False C False D False E False F True G True Name: data, dtype: bools.describe()print(s.mean())# 平均值print(s.sum())# 总和print(s.max())# 最大值print(s.min())# 最小值print(s.median())# 中位数print(s.std())# 标准差print(s.var())# 方差4.8 24.0 10.0 2.0 4.0 3.1144823004794877 9.700000000000001s.sort_values()print(s.quantile(0.25))3.0# 众数s['H']=4print(s.mode())0 4.0 Name: data, dtype: float64print(s.value_counts())# 每个元素的计数data 4.0 2 10.0 1 2.0 1 3.0 1 5.0 1 Name: count, dtype: int64s.drop_duplicates()# 去重s.unique()print(s.nunique())# 去重后的元素个数5# 排序 值、索引s.sort_index()#按索引排序s.sort_values()# 按值排序B 2.0 E 3.0 F 4.0 H 4.0 G 5.0 A 10.0 C NaN D NaN Name: data, dtype: float64
