Pandas数据分析 - 第二章：Series 对象详解

李昊哲小课2026-04-09 8:48

第二章：Series 对象详解

📋 章节概述

本章深入讲解 Pandas Series 对象的高级用法，包括索引机制、数据对齐、缺失值处理、向量化运算等核心概念。通过本章学习，你将掌握 Series 的完整操作技能。

🎯 学习目标

  1. 深入理解 Series 的索引机制（位置索引 vs 标签索引）
  2. 掌握 Series 的数据访问和修改方法
  3. 理解数据对齐机制及其重要性
  4. 掌握缺失值的检测和处理方法
  5. 学会向量化运算和数学统计操作
  6. 掌握 Series 与 Python 数据结构、NumPy 的互操作

📊 知识结构图

Series 详解
索引机制
数据修改
数据对齐
缺失值处理
向量化运算
数据类型
互操作
iloc

位置索引
loc

标签索引
切片规则
修改单个值
批量修改
添加/删除
自动对齐
索引匹配
NaN产生
检测缺失值
删除缺失值
填充缺失值
数学运算
统计方法
累积运算

python 复制代码 
import pandas as pd
import numpy as np

2.1 Series 索引系统概述

Series 的索引（index）是其最核心的特性之一，它允许我们通过标签而非仅仅通过位置来访问数据。

索引类型

  • 位置索引（Positional Index）：从 0 开始的整数位置
  • 标签索引（Label Index）：用户自定义的字符串或数字标签

索引访问方式对比

Series索引访问
位置索引

iloc
标签索引

loc
直接索引

中括号
按整数位置

s.iloc
切片

s.iloc切片
按标签值

s.loc
切片

s.loc切片
标签优先

s标签
位置回退

s位置

⚠️ 重要提示 ：当索引是整数时，直接索引 s[0] 会优先解释为标签索引。为避免混淆，推荐始终使用 .loc[] 和 .iloc[] 明确指定索引类型。

示例1：创建带自定义索引的 Series

python 复制代码 
# 场景：某电商平台 2026 年各月销售额（万元）
# 使用字符串标签作为索引，更具可读性
sales_2026 = pd.Series(
    data=[120.5, 135.8, 142.3, 138.6, 155.2, 168.9, 175.4, 182.1, 165.7, 158.3, 172.5, 188.6],
    index=["1月", "2月", "3月", "4月", "5月", "6月", "7月", "8月", "9月", "10月", "11月", "12月"],
    name="2026年月度销售额（万元）"
)

print("2026年月度销售额 Series：")
print(sales_2026)
print(f"\n索引类型: {type(sales_2026.index)}")
print(f"索引值: {list(sales_2026.index)}")
复制代码 
2026年月度销售额 Series：
1月     120.5
2月     135.8
3月     142.3
4月     138.6
5月     155.2
6月     168.9
7月     175.4
8月     182.1
9月     165.7
10月    158.3
11月    172.5
12月    188.6
Name: 2026年月度销售额（万元）, dtype: float64

索引类型: <class 'pandas.Index'>
索引值: ['1月', '2月', '3月', '4月', '5月', '6月', '7月', '8月', '9月', '10月', '11月', '12月']

示例2：位置索引 iloc - 按位置访问

iloc（integer location）是基于整数位置的索引方式，与 Python 列表的索引规则完全一致：

  • 从 0 开始计数
  • 支持负索引（-1 表示最后一个元素）
  • 切片时左闭右开 [start, end)
python 复制代码 
print("使用 iloc 按位置访问数据：")
print(f"  iloc[0]  - 第一个月（1月）: {sales_2026.iloc[0]}")
print(f"  iloc[5]  - 第六个月（6月）: {sales_2026.iloc[5]}")
print(f"  iloc[-1] - 最后一个月（12月）: {sales_2026.iloc[-1]}")
print(f"  iloc[-3] - 倒数第三个月（10月）: {sales_2026.iloc[-3]}")
复制代码 
使用 iloc 按位置访问数据：
  iloc[0]  - 第一个月（1月）: 120.5
  iloc[5]  - 第六个月（6月）: 168.9
  iloc[-1] - 最后一个月（12月）: 188.6
  iloc[-3] - 倒数第三个月（10月）: 158.3
python 复制代码 
print("使用 iloc 切片（左闭右开）：")
print("  iloc[0:3] - 前3个月（1-3月）：")
print(sales_2026.iloc[0:3])
复制代码 
使用 iloc 切片（左闭右开）：
  iloc[0:3] - 前3个月（1-3月）：
1月    120.5
2月    135.8
3月    142.3
Name: 2026年月度销售额（万元）, dtype: float64
python 复制代码 
print("  iloc[6:9] - 第7-9个月：")
print(sales_2026.iloc[6:9])
复制代码 
  iloc[6:9] - 第7-9个月：
7月    175.4
8月    182.1
9月    165.7
Name: 2026年月度销售额（万元）, dtype: float64
python 复制代码 
print("  iloc[-4:] - 最后4个月：")
print(sales_2026.iloc[-4:])
复制代码 
  iloc[-4:] - 最后4个月：
9月     165.7
10月    158.3
11月    172.5
12月    188.6
Name: 2026年月度销售额（万元）, dtype: float64
python 复制代码 
print("使用 iloc 列表索引：")
print("  iloc[[0, 2, 4, 6, 8, 10]] - 偶数月份（1,3,5,7,9,11月）：")
print(sales_2026.iloc[[0, 2, 4, 6, 8, 10]])
复制代码 
使用 iloc 列表索引：
  iloc[[0, 2, 4, 6, 8, 10]] - 偶数月份（1,3,5,7,9,11月）：
1月     120.5
3月     142.3
5月     155.2
7月     175.4
9月     165.7
11月    172.5
Name: 2026年月度销售额（万元）, dtype: float64

示例3：标签索引 loc - 按标签访问

loc（label location）是基于标签的索引方式：

  • 使用索引标签值进行访问
  • 切片时左闭右闭 [start, end]（包含结束标签）
  • 当索引是字符串时，必须使用 loc
python 复制代码 
print("使用 loc 按标签访问数据：")
print(f"  loc['1月']  - 1月销售额: {sales_2026.loc['1月']}")
print(f"  loc['6月']  - 6月销售额: {sales_2026.loc['6月']}")
print(f"  loc['12月'] - 12月销售额: {sales_2026.loc['12月']}")
复制代码 
使用 loc 按标签访问数据：
  loc['1月']  - 1月销售额: 120.5
  loc['6月']  - 6月销售额: 168.9
  loc['12月'] - 12月销售额: 188.6
python 复制代码 
print("使用 loc 切片（左闭右闭）：")
print("  loc['1月':'3月'] - 第一季度（包含3月）：")
print(sales_2026.loc["1月":"3月"])
复制代码 
使用 loc 切片（左闭右闭）：
  loc['1月':'3月'] - 第一季度（包含3月）：
1月    120.5
2月    135.8
3月    142.3
Name: 2026年月度销售额（万元）, dtype: float64
python 复制代码 
print("  loc['7月':'9月'] - 第三季度：")
print(sales_2026.loc["7月":"9月"])
复制代码 
  loc['7月':'9月'] - 第三季度：
7月    175.4
8月    182.1
9月    165.7
Name: 2026年月度销售额（万元）, dtype: float64
python 复制代码 
print("使用 loc 列表索引：")
print("  loc[['1月', '6月', '12月']] - 特定月份：")
print(sales_2026.loc[["1月", "6月", "12月"]])
复制代码 
使用 loc 列表索引：
  loc[['1月', '6月', '12月']] - 特定月份：
1月     120.5
6月     168.9
12月    188.6
Name: 2026年月度销售额（万元）, dtype: float64

示例4：直接索引 [] - 混合行为（不推荐）

直接使用 [] 索引的行为取决于索引类型：

  • 如果索引是字符串：s['label'] 按标签访问
  • 如果索引是整数：s[0] 优先按标签访问，而非位置
  • 切片 s[0:3] 总是按位置切片（左闭右开）

⚠️ 为避免混淆，生产代码中建议始终使用 .loc 和 .iloc

python 复制代码 
print("直接索引的行为：")
print(f"  sales_2026['1月']（字符串索引）: {sales_2026['1月']}")
print(f"  sales_2026[0:3]（切片，按位置）:")
print(sales_2026[0:3])
复制代码 
直接索引的行为：
  sales_2026['1月']（字符串索引）: 120.5
  sales_2026[0:3]（切片，按位置）:
1月    120.5
2月    135.8
3月    142.3
Name: 2026年月度销售额（万元）, dtype: float64
python 复制代码 
# 创建整数索引的 Series 展示潜在问题
int_index_series = pd.Series([10, 20, 30, 40, 50], index=[2, 4, 6, 8, 10])
print("整数索引的潜在混淆（index=[2,4,6,8,10]）：")
print(int_index_series)
print(f"  s[2] 按标签访问（不是第3个元素）: {int_index_series[2]}")  # 返回 30
print(f"  s[0:3] 按位置切片: {list(int_index_series[0:3])}")  # 返回前3个
复制代码 
整数索引的潜在混淆（index=[2,4,6,8,10]）：
2     10
4     20
6     30
8     40
10    50
dtype: int64
  s[2] 按标签访问（不是第3个元素）: 10
  s[0:3] 按位置切片: [10, 20, 30]

2.2 Series 数据修改

示例5：修改单个值

python 复制代码 
# 创建可修改的副本
sales_edit = sales_2026.copy()
print("修改单个值：")
print(f"  修改前 1月销售额: {sales_edit.loc['1月']}")
sales_edit.loc["1月"] = 125.0  # 使用 loc 修改
print(f"  修改后 1月销售额: {sales_edit.loc['1月']}")
复制代码 
修改单个值：
  修改前 1月销售额: 120.5
  修改后 1月销售额: 125.0

示例6：批量修改值

python 复制代码 
sales_edit2 = sales_2026.copy()
print("批量修改值（第一季度上调 10%）：")
print("  修改前第一季度：")
print(sales_edit2.loc["1月":"3月"])

# 使用 loc 批量修改
sales_edit2.loc["1月":"3月"] = sales_edit2.loc["1月":"3月"] * 1.1
print("\n  修改后第一季度（上调10%）：")
print(sales_edit2.loc["1月":"3月"])
复制代码 
批量修改值（第一季度上调 10%）：
  修改前第一季度：
1月    120.5
2月    135.8
3月    142.3
Name: 2026年月度销售额（万元）, dtype: float64

  修改后第一季度（上调10%）：
1月    132.55
2月    149.38
3月    156.53
Name: 2026年月度销售额（万元）, dtype: float64

示例7：添加新元素

python 复制代码 
sales_add = sales_2026.copy()
print("添加新元素（全年总计）：")
sales_add.loc["全年总计"] = sales_add.sum()
print(sales_add.tail(3))
复制代码 
添加新元素（全年总计）：
11月      172.5
12月      188.6
全年总计    1903.9
Name: 2026年月度销售额（万元）, dtype: float64

示例8：删除元素

python 复制代码 
print("删除元素：")
sales_del = sales_2026.drop("12月")  # 返回新 Series，原 Series 不变
print(f"  原 Series 长度: {len(sales_2026)}")
print(f"  删除后长度: {len(sales_del)}")
复制代码 
删除元素：
  原 Series 长度: 12
  删除后长度: 11
python 复制代码 
sales_del2 = sales_2026.copy()
sales_del2 = sales_del2.drop(["11月", "12月"])
print("  删除11-12月后：")
print(sales_del2.tail(3))
复制代码 
  删除11-12月后：
8月     182.1
9月     165.7
10月    158.3
Name: 2026年月度销售额（万元）, dtype: float64

2.3 数据对齐机制

数据对齐是 Pandas 最强大的特性之一。当对两个 Series 进行运算时，Pandas 会自动根据索引标签对齐数据，而不是简单地按位置对齐。

对齐规则

  1. 相同索引标签的数据进行运算
  2. 只存在于一个 Series 中的索引，结果标记为 NaN（缺失值）
  3. 运算结果包含所有涉及的索引标签

Series A

index-a,b,c

values-1,2,3
Series B

index-b,c,d

values-10,20,30
运算结果

index-a,b,c,d

values-NaN,12,23,NaN

示例9：相同索引的运算

python 复制代码 
# 2026年各月销售额
sales_q1 = pd.Series([120.5, 135.8, 142.3], index=["1月", "2月", "3月"], name="Q1销售额")
# 2025年同期销售额
sales_q1_2025 = pd.Series([110.2, 125.5, 130.8], index=["1月", "2月", "3月"], name="Q1_2025销售额")

print("相同索引的 Series 运算（计算同比增长）：")
print("  2026年Q1销售额：")
print(sales_q1)
print("\n  2025年Q1销售额：")
print(sales_q1_2025)

# 计算同比增长率
growth_rate = ((sales_q1 - sales_q1_2025) / sales_q1_2025 * 100).round(2)
growth_rate.name = "同比增长率(%)"
print("\n  同比增长率（%）：")
print(growth_rate)
复制代码 
相同索引的 Series 运算（计算同比增长）：
  2026年Q1销售额：
1月    120.5
2月    135.8
3月    142.3
Name: Q1销售额, dtype: float64

  2025年Q1销售额：
1月    110.2
2月    125.5
3月    130.8
Name: Q1_2025销售额, dtype: float64

  同比增长率（%）：
1月    9.35
2月    8.21
3月    8.79
Name: 同比增长率(%), dtype: float64

示例10：不同索引的运算 - 自动对齐

python 复制代码 
# 上半年数据
sales_h1 = pd.Series([120.5, 135.8, 142.3, 138.6, 155.2, 168.9],
                     index=["1月", "2月", "3月", "4月", "5月", "6月"])
# 下半年数据
sales_h2 = pd.Series([175.4, 182.1, 165.7, 158.3, 172.5, 188.6],
                     index=["7月", "8月", "9月", "10月", "11月", "12月"])

print("不同索引的 Series 相加（全年汇总）：")
print("  上半年销售额：")
print(sales_h1.head(3))
print("  ...")
print("\n  下半年销售额：")
print(sales_h2.head(3))
print("  ...")

# 合并全年数据
full_year = pd.concat([sales_h1, sales_h2])
full_year.name = "2026年全年销售额"
print(f"\n  合并后的全年数据（共{len(full_year)}个月）：")
print(full_year.head(4))
print("  ...")
print(full_year.tail(3))
复制代码 
不同索引的 Series 相加（全年汇总）：
  上半年销售额：
1月    120.5
2月    135.8
3月    142.3
dtype: float64
  ...

  下半年销售额：
7月    175.4
8月    182.1
9月    165.7
dtype: float64
  ...

  合并后的全年数据（共12个月）：
1月    120.5
2月    135.8
3月    142.3
4月    138.6
Name: 2026年全年销售额, dtype: float64
  ...
10月    158.3
11月    172.5
12月    188.6
Name: 2026年全年销售额, dtype: float64

示例11：部分重叠索引的运算

python 复制代码 
# 某产品线销售额
product_a = pd.Series([50, 55, 60], index=["1月", "2月", "3月"], name="产品A")
# 另一产品线销售额（有重叠月份）
product_b = pd.Series([30, 35, 40, 45], index=["2月", "3月", "4月", "5月"], name="产品B")

print("部分重叠索引的运算：")
print("  产品A销售额：")
print(product_a)
print("\n  产品B销售额：")
print(product_b)

total_sales = product_a + product_b
print("\n  两产品销售额相加（注意1月和4-5月产生NaN）：")
print(total_sales)
复制代码 
部分重叠索引的运算：
  产品A销售额：
1月    50
2月    55
3月    60
Name: 产品A, dtype: int64

  产品B销售额：
2月    30
3月    35
4月    40
5月    45
Name: 产品B, dtype: int64

  两产品销售额相加（注意1月和4-5月产生NaN）：
1月     NaN
2月    85.0
3月    95.0
4月     NaN
5月     NaN
dtype: float64

2.4 缺失值处理

在数据分析中，缺失值是常见问题。Pandas 使用 NaN（Not a Number）表示缺失值，它是 float 类型的特殊值。

缺失值处理流程

  1. 检测缺失值
  2. 分析缺失原因
  3. 选择处理策略（删除/填充）
  4. 验证处理结果
python 复制代码 
# 创建包含缺失值的 Series（模拟某产品部分月份数据缺失）
product_sales = pd.Series(
    [45.2, np.nan, 52.8, 48.5, np.nan, 61.3, 58.9, np.nan, 65.2, 62.1, 68.5, 72.3],
    index=["1月", "2月", "3月", "4月", "5月", "6月", "7月", "8月", "9月", "10月", "11月", "12月"],
    name="产品X月度销售额（万元）"
)

示例12：检测缺失值

python 复制代码 
print("原始数据（含缺失值）：")
print(product_sales)
复制代码 
原始数据（含缺失值）：
1月     45.2
2月      NaN
3月     52.8
4月     48.5
5月      NaN
6月     61.3
7月     58.9
8月      NaN
9月     65.2
10月    62.1
11月    68.5
12月    72.3
Name: 产品X月度销售额（万元）, dtype: float64
python 复制代码 
print("\n缺失值检测方法：")
print(f"  isnull() - 判断是否为缺失值：")
print(product_sales.isnull())
复制代码 
缺失值检测方法：
  isnull() - 判断是否为缺失值：
1月     False
2月      True
3月     False
4月     False
5月      True
6月     False
7月     False
8月      True
9月     False
10月    False
11月    False
12月    False
Name: 产品X月度销售额（万元）, dtype: bool
python 复制代码 
print(f"\n  notnull() - 判断是否非缺失值：")
print(product_sales.notnull())
复制代码 
  notnull() - 判断是否非缺失值：
1月      True
2月     False
3月      True
4月      True
5月     False
6月      True
7月      True
8月     False
9月      True
10月     True
11月     True
12月     True
Name: 产品X月度销售额（万元）, dtype: bool
python 复制代码 
print(f"\n  缺失值统计：")
print(f"    缺失值数量: {product_sales.isnull().sum()}")
print(f"    非缺失值数量: {product_sales.notnull().sum()}")
print(f"    缺失比例: {product_sales.isnull().mean() * 100:.1f}%")
复制代码 
  缺失值统计：
    缺失值数量: 3
    非缺失值数量: 9
    缺失比例: 25.0%

示例13：删除缺失值

python 复制代码 
print("删除缺失值：")
print("  dropna() - 删除含缺失值的行：")
cleaned = product_sales.dropna()
print(cleaned)
print(f"  删除后剩余 {len(cleaned)} 条数据")
复制代码 
删除缺失值：
  dropna() - 删除含缺失值的行：
1月     45.2
3月     52.8
4月     48.5
6月     61.3
7月     58.9
9月     65.2
10月    62.1
11月    68.5
12月    72.3
Name: 产品X月度销售额（万元）, dtype: float64
  删除后剩余 9 条数据

示例14：填充缺失值

python 复制代码 
print("使用固定值填充：")
filled_zero = product_sales.fillna(0)
print("  fillna(0) - 用0填充：")
print(filled_zero)
复制代码 
使用固定值填充：
  fillna(0) - 用0填充：
1月     45.2
2月      0.0
3月     52.8
4月     48.5
5月      0.0
6月     61.3
7月     58.9
8月      0.0
9月     65.2
10月    62.1
11月    68.5
12月    72.3
Name: 产品X月度销售额（万元）, dtype: float64
python 复制代码 
print("\n使用统计值填充：")
mean_value = product_sales.mean()
print(f"  平均值: {mean_value:.2f}")
filled_mean = product_sales.fillna(mean_value)
print("  fillna(mean) - 用平均值填充：")
print(filled_mean)
复制代码 
使用统计值填充：
  平均值: 59.42
  fillna(mean) - 用平均值填充：
1月     45.200000
2月     59.422222
3月     52.800000
4月     48.500000
5月     59.422222
6月     61.300000
7月     58.900000
8月     59.422222
9月     65.200000
10月    62.100000
11月    68.500000
12月    72.300000
Name: 产品X月度销售额（万元）, dtype: float64
python 复制代码 
print("\n使用前向/后向填充（适合时间序列）：")
print("  ffill() - 前向填充（用前一个有效值）：")
filled_ffill = product_sales.ffill()
print(filled_ffill)
复制代码 
使用前向/后向填充（适合时间序列）：
  ffill() - 前向填充（用前一个有效值）：
1月     45.2
2月     45.2
3月     52.8
4月     48.5
5月     48.5
6月     61.3
7月     58.9
8月     58.9
9月     65.2
10月    62.1
11月    68.5
12月    72.3
Name: 产品X月度销售额（万元）, dtype: float64
python 复制代码 
print("\n  bfill() - 后向填充（用后一个有效值）：")
filled_bfill = product_sales.bfill()
print(filled_bfill)
复制代码 
  bfill() - 后向填充（用后一个有效值）：
1月     45.2
2月     52.8
3月     52.8
4月     48.5
5月     61.3
6月     61.3
7月     58.9
8月     65.2
9月     65.2
10月    62.1
11月    68.5
12月    72.3
Name: 产品X月度销售额（万元）, dtype: float64
python 复制代码 
print("\n使用线性插值：")
print("  interpolate() - 线性插值：")
filled_interp = product_sales.interpolate(method="linear")
print(filled_interp)
复制代码 
使用线性插值：
  interpolate() - 线性插值：
1月     45.20
2月     49.00
3月     52.80
4月     48.50
5月     54.90
6月     61.30
7月     58.90
8月     62.05
9月     65.20
10月    62.10
11月    68.50
12月    72.30
Name: 产品X月度销售额（万元）, dtype: float64

2.5 向量化运算与统计

向量化运算是 Pandas 的核心优势，它允许对整个 Series 进行批量操作，无需编写显式循环，代码更简洁且执行效率更高。

NumPy 底层优化

Pandas 的向量化运算基于 NumPy 实现，底层使用 C 语言优化，比纯 Python 循环快数十倍甚至上百倍。

示例15：基本数学运算

python 复制代码 
# 使用2026年完整销售数据
sales = sales_2026.copy()

print("基本数学运算（向量化）：")
print("  原始销售额（万元）：")
print(sales.head())
复制代码 
基本数学运算（向量化）：
  原始销售额（万元）：
1月    120.5
2月    135.8
3月    142.3
4月    138.6
5月    155.2
Name: 2026年月度销售额（万元）, dtype: float64
python 复制代码 
print("\n  sales * 10000 - 转换为元：")
print((sales * 10000).head())
复制代码 
  sales * 10000 - 转换为元：
1月    1205000.0
2月    1358000.0
3月    1423000.0
4月    1386000.0
5月    1552000.0
Name: 2026年月度销售额（万元）, dtype: float64
python 复制代码 
print("\n  sales + 10 - 每月增加10万元：")
print((sales + 10).head())
复制代码 
  sales + 10 - 每月增加10万元：
1月    130.5
2月    145.8
3月    152.3
4月    148.6
5月    165.2
Name: 2026年月度销售额（万元）, dtype: float64
python 复制代码 
print("\n  sales / 30 - 日均销售额（假设每月30天）：")
daily_avg = (sales / 30).round(2)
print(daily_avg.head())
复制代码 
  sales / 30 - 日均销售额（假设每月30天）：
1月    4.02
2月    4.53
3月    4.74
4月    4.62
5月    5.17
Name: 2026年月度销售额（万元）, dtype: float64

示例16：常用统计方法

python 复制代码 
print("描述性统计：")
print(f"  count() - 非缺失值数量: {sales.count()}")
print(f"  sum() - 总和: {sales.sum():.2f} 万元")
print(f"  mean() - 平均值: {sales.mean():.2f} 万元")
print(f"  median() - 中位数: {sales.median():.2f} 万元")
print(f"  std() - 标准差: {sales.std():.2f} 万元")
print(f"  min() - 最小值: {sales.min():.2f} 万元")
print(f"  max() - 最大值: {sales.max():.2f} 万元")
复制代码 
描述性统计：
  count() - 非缺失值数量: 12
  sum() - 总和: 1903.90 万元
  mean() - 平均值: 158.66 万元
  median() - 中位数: 162.00 万元
  std() - 标准差: 20.74 万元
  min() - 最小值: 120.50 万元
  max() - 最大值: 188.60 万元
python 复制代码 
print("\ndescribe() - 综合统计：")
print(sales.describe())
复制代码 
describe() - 综合统计：
count     12.000000
mean     158.658333
std       20.742905
min      120.500000
25%      141.375000
50%      162.000000
75%      173.225000
max      188.600000
Name: 2026年月度销售额（万元）, dtype: float64

示例17：累积运算

python 复制代码 
print("累积运算：")
print("  cumsum() - 累积和（计算累计销售额）：")
cumulative = sales.cumsum()
print(cumulative.head(6))
复制代码 
累积运算：
  cumsum() - 累积和（计算累计销售额）：
1月    120.5
2月    256.3
3月    398.6
4月    537.2
5月    692.4
6月    861.3
Name: 2026年月度销售额（万元）, dtype: float64
python 复制代码 
print("\n  cummax() / cummin() - 累积最大/最小值：")
print("  截至当月的最高销售额记录：")
print(sales.cummax().head(6))
复制代码 
  cummax() / cummin() - 累积最大/最小值：
  截至当月的最高销售额记录：
1月    120.5
2月    135.8
3月    142.3
4月    142.3
5月    155.2
6月    168.9
Name: 2026年月度销售额（万元）, dtype: float64

示例18：条件统计

python 复制代码 
print("条件统计：")
print(f"  销售额超过150万元的月份数量: {(sales > 150).sum()}")
print(f"  销售额超过150万元的月份: {list(sales[sales > 150].index)}")
复制代码 
条件统计：
  销售额超过150万元的月份数量: 8
  销售额超过150万元的月份: ['5月', '6月', '7月', '8月', '9月', '10月', '11月', '12月']

本章小结

学习内容回顾

  1. 索引机制

    • iloc: 位置索引（从0开始，左闭右开）
    • loc: 标签索引（左闭右闭）
    • 推荐始终使用 iloc/loc 明确索引类型

  2. 数据修改

    • 修改单个值: s.loc['label'] = value
    • 批量修改: s.loc[start:end] = values
    • 添加元素: s.loc['new_label'] = value
    • 删除元素: s.drop('label')

  3. 数据对齐

    • Series 运算按索引标签自动对齐
    • 不匹配的索引产生 NaN
    • 这是 Pandas 最强大的特性之一

  4. 缺失值处理

    • 检测: isnull(), notnull()
    • 删除: dropna()
    • 填充: fillna(), ffill(), bfill(), interpolate()

  5. 向量化运算

    • 支持 +, -, *, / 等数学运算
    • 统计方法: sum(), mean(), std(), describe()
    • 累积运算: cumsum(), cummax(), cummin()

下章预告

第三章：DataFrame 对象详解

将深入学习 DataFrame 的高级用法，包括：

  • 行列操作（增删改查）
  • 数据选择（loc/iloc高级用法）
  • 索引设置与重置
  • 数据筛选与过滤

课后练习

请尝试完成以下练习：

练习1：创建两个 Series，分别存储 2026 年上半年和下半年的销售额，然后计算全年总销售额（注意处理索引对齐）。

练习2：给定一个包含缺失值的 Series，分别使用以下方法处理缺失值，并比较结果差异：

  • 用平均值填充
  • 用中位数填充
  • 前向填充
  • 线性插值

练习3：创建一个表示班级学生成绩的 Series，然后：

  • 计算平均分、最高分和最低分
  • 找出成绩大于等于 90 分的学生
  • 对成绩进行排序
  • 将成绩分为 A(>=90)、B(>=80)、C(<80) 三个等级

练习4：基于实战案例的数据，计算：

  • 每个月的环比增长率
  • 销售额与订单量的相关系数
  • 找出客单价最高的月份
相关推荐
IT观测2 小时前
# 聚焦AI驱动数据分析：2026年智能BI工具市场的深度调研与趋势展望报告
人工智能·数据挖掘·数据分析
测试开发Kevin2 小时前
Pandas 2.x核心技术—— Apache Arrow 高性能数据处理的基石
大数据·pandas
551只玄猫2 小时前
【数学建模 matlab 实验报告11】拟合
开发语言·数学建模·matlab·数据分析·课程设计·实验报告·拟合
李昊哲小课2 小时前
Pandas数据分析 - 第三章：DataFrame 对象详解
数据挖掘·数据分析·pandas
zml.~2 小时前
Spark 数据分析：从核心原理到企业级实战全解析
大数据·数据挖掘·数据分析·spark
zml.~3 小时前
大数据分析实战：基于 Spark 的新能源汽车全链路数据分析指南
大数据·数据分析·spark·汽车
yuanmazhiwu4 小时前
计算机毕业设计：Python全国空气质量与气象监测平台 Flask框架 可视化 数据分析 机器学习 天气 深度学习 AI 空气质量分析（建议收藏）✅
人工智能·python·深度学习·数据挖掘·flask·汽车·课程设计
不会唱歌的拖拉机13 小时前
使用Pandas进行RFM分析全过程
数据分析·pandas
麦客奥德彪14 小时前
客户端 Trace Benchmark 体系设计
ios·数据分析
热门推荐
01GitHub 镜像站点02一周AI热点速览（2026.03.31-04.06）：GPT-6曝光、谷歌开源Gemma 4、资本狂飙与模型军备竞赛03OpenClaw 请求超时 llm request timed out 怎么解决？3 种方案实测，附完整排查流程04AI 编程效率翻倍：Superpowers Skills 上手清单 + 完整指南05VMware Workstation Pro 17 虚拟机完整安装教程（2026最新）06Qwen3.5-Omni与Qwen3.6模型全面解析（含测评/案例/使用教程）07Oh My Codex 快速使用指南08UV安装并设置国内源09【Vulhub】Fastjson 1.2.24_rce复现10Claude Code 未登录 使用第三方模型