Pandas Series 超全常用方法整理｜零基础入门必备（附完整代码案例）

在Python数据分析中，Pandas是最核心的工具库，而Series是Pandas最基础的数据结构，是构建DataFrame的基石。掌握Series的各类操作方法，是玩转数据分析的第一步。

今天结合实战代码案例，从零整理Series数据访问、切片查询、数据修改、筛选匹配、统计计算、索引操作、缺失值处理、去重排序全场景常用方法，新手可直接收藏复用！

前置依赖：提前导入库import pandas as pd

一、Series 基础创建

Series是Pandas中最基础的数据结构，掌握其创建方式是后续所有操作的前提。下面介绍4种最常用的创建方式，覆盖不同数据来源场景。

1. 创建Series对象，采用：默认自增索引

直接传入Python列表，不指定索引，Pandas会自动生成从0开始的整数下标作为默认索引。

# 创建Series对象，采用默认自增索引 s_default = pd.Series([10, 20, 30, 40]) print(s_default)

2. 创建Series对象，采用：自定义索引

通过index参数指定自定义索引标签，便于按业务含义定位数据，是实际开发中最常用的方式。

# 创建Series对象，采用自定义索引 s_custom = pd.Series([88, 92, 85], index=['张三', '李四', '王五']) print(s_custom)

3. 创建Series对象，采用：字典或元组创建

传入字典时，键自动成为索引、值成为数据；传入元组时，与列表类似，索引默认为自增整数。

# 通过字典创建Series，键作为索引 s_dict = pd.Series({'a': 1, 'b': 2, 'c': 3}) print(s_dict) # 通过元组创建Series，索引默认为自增整数 s_tuple = pd.Series((5, 6, 7, 8)) print(s_tuple)

4. 创建Series对象，采用：使用numpy创建

传入NumPy数组，适合与数值计算场景衔接，索引同样默认为整数下标。

import numpy as np # 使用numpy数组创建Series s_np = pd.Series(np.array([1, 2, 3, 4, 5])) print(s_np)

核心特点：Series由「索引index」和「数值values」两部分组成，索引可自定义，区别于普通列表。

除了上述4种方式，Series还支持通过标量值创建和通过DataFrame的列创建，覆盖更多数据来源场景：

5. 通过标量值创建

传入单个标量并指定索引，所有索引位置都会填充该标量值。

# 通过标量创建，所有索引位置填充同一个值 s_scalar = pd.Series(7, index=['a', 'b', 'c']) print(s_scalar)

6. 通过DataFrame的列创建

从DataFrame中提取某一列，得到对应的Series，是表格数据处理中的高频操作。

# 通过DataFrame的列创建Series df = pd.DataFrame({'姓名':['张三','李四','王五'], '成绩':[88, 92, 85]}) s_col = df['成绩'] print(s_col)

二、Series 常用属性

除了创建方式，掌握Series的常用属性也是高效操作的基础。下面列出最核心的几个属性：

s = pd.Series([10, 20, 30, 40], index=['a', 'b', 'c', 'd']) print("索引：", s.index) # 获取索引对象 print("数值：", s.values) # 获取数值数组 print("数据类型：", s.dtype) # 获取元素类型 print("元素个数：", s.size) # 获取元素总数 print("维度：", s.ndim) # 维度，Series恒为1 print("形状：", s.shape) # 形状，返回(元素个数,) print("是否为空：", s.empty) # 判断是否为空 print("名称：", s.name) # 获取/设置Series名称

• index：获取索引对象，可自定义标签
• values：获取数值数组，返回NumPy数组
• dtype：查看元素数据类型（如int64、float64、object）
• size：返回元素总个数
• ndim：返回维度数，Series恒为1
• shape：返回形状元组，如(4,)
• empty：判断Series是否为空，返回布尔值
• name：获取或设置Series的名称，便于标识数据

三、数据访问与切片查询

Series支持标签索引和位置索引两种查询方式，切片规则灵活，是数据读取的核心方法。

1. 标签切片（按自定义索引）

通过索引标签取值，切片为闭区间，首尾索引数据都会保留。

print(s['a':'c']) # 取索引a~c的所有数据

2. 位置切片（按默认下标）

和Python列表切片一致，为左闭右开区间，仅根据数据位置取值。

print(s[0:2]) # 取前2个位置的数据

3. 单个标签取值

print(s['c']) # 获取索引c对应的单个数值

避坑提示：Pandas新版中，直接使用s[数字]做位置取值会触发警告，推荐用iloc位置索引、loc标签索引，代码更规范。

四、快速查看首尾数据

日常数据分析中，快速预览数据的高频方法，默认查看5行，可自定义行数。

# 查看前1行数据 print("head：",s.head(1)) # 查看后2行数据 print("tail：",s.tail(2))

• head(n)：查看前n行数据，n默认=5

• tail(n)：查看后n行数据，n默认=5

五、Series 数据新增修改

可直接通过索引赋值，快速新增数据，语法简洁直观。

s['f'] = 6 # 新增索引f，对应数值6 print("head：",s.head()) print("tail：",s.tail(2))

六、数据筛选与匹配判断

用于精准筛选符合条件的数据，支持单值匹配、多值匹配、索引匹配。

1. 索引匹配：isin() 匹配索引

判断索引是否在指定集合中，返回布尔结果。

print(s.index.isin(['a']))

2. 单值数值匹配

判断每个元素数值是否等于目标值，逐元素返回布尔结果。

print(s==3)

3. 多值数值匹配：isin() 匹配数值

判断元素是否在指定数值集合中，实现多条件筛选。

print(s.isin([3,5]))

七、常用统计分析方法

Series内置全套数理统计方法，无需复杂计算，一键获取数据分布特征，是数据分析核心功能。

print("求和：",s.sum()) # 所有元素求和 print("平均值：",s.mean()) # 算术平均值 print("方差：",s.var()) # 样本方差 print("标准差：",s.std()) # 样本标准差 print("最小值：",s.min()) # 最小值 print("最大值：",s.max()) # 最大值 print("中位数：",s.median()) # 中位数

八、索引获取方法

两种等价方法获取Series的索引对象，可用于索引遍历、匹配、修改。

print("Series的索引对象：",s.index) print("Series的索引对象：",s.keys())

结论：index和keys()效果完全一致，均可获取全部索引。

九、缺失值处理（高频实操）

真实业务数据大多存在缺失值，Series提供专属方法快速检测、统计缺失数据。先初始化含缺失值的Series：

# 含None缺失值的Series s = pd.Series({'b':None,'c':3,'f':1,'a':1,'d':4,'e':5,'g':3},name='月份') print(s) 1. 检测所有缺失值 print("检查每一个元素是否为缺失值：",s.isna()) 2. 统计各数值出现次数（自动忽略缺失值） print("每个唯一值出现的次数：",s.value_counts()) 3. 统计有效非缺失值数量 print("非缺失值数量：",s.count())

• isna()：逐元素判断是否为缺失值（None/NaN），返回布尔序列

• value_counts()：统计各数值频次，自动过滤缺失值

• count()：统计有效非空数据总量

十、数据去重操作

针对重复数据，提供去重、统计唯一值数量、获取唯一值数组全套方法。

print("获取去重后的值数组：",s.unique()) print("去除重复项：",s.drop_duplicates()) print("唯一值个数：",s.nunique())

• unique()：返回去重后的数值数组，保留原始顺序

• drop_duplicates()：返回去重后的完整Series（保留索引）

• nunique()：统计唯一值的总个数

十一、排序操作

支持按索引排序和按数值排序两种核心排序方式，适配不同数据整理需求。

# 按索引字母顺序排序 print("按索引排序：",s.sort_index()) # 按数值大小升序排序 print("按值排序：",s.sort_values())

• sort_index()：根据索引排序，默认升序

• sort_values()：根据元素数值排序，默认升序

十二、Series 核心方法汇总表

十三、学习总结

Series作为Pandas的基础结构，所有操作逻辑均可迁移至DataFrame。熟练掌握查询切片、筛选匹配、统计分析、缺失值处理、去重排序这几类核心方法，就能搞定80%的基础数据预处理工作，为后续表格数据处理、数据分析可视化打下坚实基础。

本文所有代码可直接复制运行，建议收藏留存，日常写代码时随时查阅复用！