pandas是Python中一个非常流行的数据处理库，它提供了很多方便的数据结构和工具，让我们能够轻松地处理表格数据、时间序列数据等。在pandas中，最基础也最常用的数据结构之一就是Series。可以把Series理解为“带有标签的一维数组”——它不仅包含数据本身，还包含了一个用来标识每个数据点的“标签”（也就是我们常说的“索引”）。
一、创建Series¶
要使用Series，首先需要导入pandas库，通常我们会简写为import pandas as pd。下面是几种常见的创建方式：
1. 从列表创建（默认索引）¶
如果我们有一个普通的Python列表，就可以直接把它传给pd.Series()来创建一个Series。例如：
import pandas as pd
# 定义一个列表
data = [10, 20, 30, 40]
# 创建Series（默认索引是0,1,2,3）
s = pd.Series(data)
print(s)
输出结果：
0 10
1 20
2 30
3 40
dtype: int64
这里左边的数字（0,1,2,3）就是Series的索引（默认从0开始），右边的是数据。如果需要给Series命名，可以用name参数：
s = pd.Series(data, name="成绩")
print(s)
输出会在索引上方显示Name: 成绩。
2. 从字典创建（键作为索引）¶
如果数据是键值对形式（比如Python字典），pd.Series()会自动把字典的键作为索引，值作为数据。例如：
data_dict = {"语文": 90, "数学": 85, "英语": 95, "物理": 80}
s = pd.Series(data_dict)
print(s)
输出结果：
语文 90
数学 85
英语 95
物理 80
dtype: int64
这里的索引就是字典的键（语文、数学等），数据是对应的值。
3. 从标量值创建（重复生成）¶
如果想创建一个所有元素都是同一个值的Series，可以传入一个标量和长度参数。例如，创建一个长度为5、值为10的Series：
s = pd.Series(10, range(5)) # 用range(5)指定索引为0-4
print(s)
输出：
0 10
1 10
2 10
3 10
4 10
dtype: int64
二、Series的基本属性¶
每个Series都有几个核心属性，帮助我们了解它的结构：
- values：获取Series的数据本身（返回numpy数组）
print(s.values) # 例如：[90 85 95 80]
- index：获取Series的索引（标签）
print(s.index) # 例如：Index(['语文', '数学', '英语', '物理'], dtype='object')
- name：Series的名称（如果创建时指定了name参数）
print(s.name) # 例如："成绩"
- shape：返回形状（一维Series的shape是(长度,)）
print(s.shape) # 例如：(4,)（4个元素）
三、索引的理解与操作¶
索引是Series的“灵魂”，它让我们能通过标签快速定位数据。
1. 自定义索引¶
默认索引是0,1,2…，但我们可以自定义索引（如字符串、日期等），让数据更易读。例如：
dates = ["周一", "周二", "周三", "周四", "周五"]
sales = [150, 200, 180, 220, 190]
s = pd.Series(sales, index=dates, name="销售额（元）")
print(s)
输出：
周一 150
周二 200
周三 180
周四 220
周五 190
Name: 销售额（元）, dtype: int64
2. 通过索引访问数据¶
- 按标签访问（loc）：已知标签时，用
loc获取数据。例如：
print(s.loc["周三"]) # 输出：180（获取标签为"周三"的数据）
- 按位置访问（iloc）：已知位置时，用
iloc获取数据。例如：
print(s.iloc[2]) # 输出：180（获取第2个位置的数据，即第三个元素）
3. 切片操作¶
- 标签切片（包含结束标签）：用
loc，例如：
print(s.loc["周二":"周四"]) # 输出周二:200, 周三:180, 周四:220
- 位置切片（不包含结束位置）：用
iloc，例如：
print(s.iloc[1:4]) # 输出周二:200, 周三:180, 周四:220
4. 修改索引¶
索引不可直接修改单个元素，但可以整体替换：
s.index = ["Mon", "Tue", "Wed", "Thu", "Fri"] # 替换所有索引
print(s)
四、数据操作与分析¶
1. 基本统计方法¶
Series内置了求和、均值、最大值等统计方法：
s = pd.Series([10, 20, 30, 40])
print(s.sum()) # 100（求和）
print(s.mean()) # 25.0（均值）
print(s.max()) # 40（最大值）
2. 条件筛选¶
通过布尔条件筛选数据：
s = pd.Series([10, 20, 30, 40])
filtered = s[s > 25] # 筛选出大于25的数据
print(filtered) # 输出：30, 40
五、实战案例：综合练习¶
假设我们要记录某商店一周的客流量，用Series存储并分析：
import pandas as pd
# 1. 创建带日期索引的客流量Series
days = ["周一", "周二", "周三", "周四", "周五", "周六", "周日"]
passengers = [500, 480, 520, 600, 550, 700, 650]
s = pd.Series(passengers, index=days, name="客流量")
# 2. 查看数据
print("=== 一周客流量数据 ===")
print(s)
# 3. 按标签访问周六客流量
print("\n周六客流量：", s.loc["周六"]) # 输出：700
# 4. 计算总客流量和平均客流量
total = s.sum()
avg = s.mean()
print(f"\n总客流量：{total}人，平均每天：{avg:.1f}人")
# 5. 筛选客流量超过600人的日期
busy_days = s[s > 600]
print("\n客流量超过600人的日期：")
print(busy_days)
输出结果：
=== 一周客流量数据 ===
周一 500
周二 480
周三 520
周四 600
周五 550
周六 700
周日 650
Name: 客流量, dtype: int64
周六客流量： 700
总客流量：4050人，平均每天：578.6人
客流量超过600人的日期：
周六 700
周日 650
dtype: int64
总结¶
Series是pandas中最基础的数据结构，掌握它是数据处理的关键。核心要点：
- Series = 数据 + 标签（索引），索引让数据更易管理
- 支持列表、字典、标量创建，灵活适配数据来源
- 用loc（标签）和iloc（位置）访问数据，避免混淆
- 内置统计和筛选方法，快速实现数据初步分析
多动手尝试不同场景（如用日期索引、字符串索引），熟悉索引操作和数据处理逻辑，就能逐步掌握Series的使用。