pandas是Python中一個非常流行的數據處理庫，它提供了很多方便的數據結構和工具，讓我們能夠輕鬆地處理表格數據、時間序列數據等。在pandas中，最基礎也最常用的數據結構之一就是Series。可以把Series理解爲“帶有標籤的一維數組”——它不僅包含數據本身，還包含了一個用來標識每個數據點的“標籤”（也就是我們常說的“索引”）。
一、創建Series¶
要使用Series，首先需要導入pandas庫，通常我們會簡寫爲import pandas as pd。下面是幾種常見的創建方式：
1. 從列表創建（默認索引）¶
如果我們有一個普通的Python列表，就可以直接把它傳給pd.Series()來創建一個Series。例如：
import pandas as pd
# 定義一個列表
data = [10, 20, 30, 40]
# 創建Series（默認索引是0,1,2,3）
s = pd.Series(data)
print(s)
輸出結果：
0 10
1 20
2 30
3 40
dtype: int64
這裏左邊的數字（0,1,2,3）就是Series的索引（默認從0開始），右邊的是數據。如果需要給Series命名，可以用name參數：
s = pd.Series(data, name="成績")
print(s)
輸出會在索引上方顯示Name: 成績。
2. 從字典創建（鍵作爲索引）¶
如果數據是鍵值對形式（比如Python字典），pd.Series()會自動把字典的鍵作爲索引，值作爲數據。例如：
data_dict = {"語文": 90, "數學": 85, "英語": 95, "物理": 80}
s = pd.Series(data_dict)
print(s)
輸出結果：
語文 90
數學 85
英語 95
物理 80
dtype: int64
這裏的索引就是字典的鍵（語文、數學等），數據是對應的值。
3. 從標量值創建（重複生成）¶
如果想創建一個所有元素都是同一個值的Series，可以傳入一個標量和長度參數。例如，創建一個長度爲5、值爲10的Series：
s = pd.Series(10, range(5)) # 用range(5)指定索引爲0-4
print(s)
輸出：
0 10
1 10
2 10
3 10
4 10
dtype: int64
二、Series的基本屬性¶
每個Series都有幾個核心屬性，幫助我們瞭解它的結構：
- values：獲取Series的數據本身（返回numpy數組）
print(s.values) # 例如：[90 85 95 80]
- index：獲取Series的索引（標籤）
print(s.index) # 例如：Index(['語文', '數學', '英語', '物理'], dtype='object')
- name：Series的名稱（如果創建時指定了name參數）
print(s.name) # 例如："成績"
- shape：返回形狀（一維Series的shape是(長度,)）
print(s.shape) # 例如：(4,)（4個元素）
三、索引的理解與操作¶
索引是Series的“靈魂”，它讓我們能通過標籤快速定位數據。
1. 自定義索引¶
默認索引是0,1,2…，但我們可以自定義索引（如字符串、日期等），讓數據更易讀。例如：
dates = ["週一", "週二", "週三", "週四", "週五"]
sales = [150, 200, 180, 220, 190]
s = pd.Series(sales, index=dates, name="銷售額（元）")
print(s)
輸出：
週一 150
週二 200
週三 180
週四 220
週五 190
Name: 銷售額（元）, dtype: int64
2. 通過索引訪問數據¶
- 按標籤訪問（loc）：已知標籤時，用
loc獲取數據。例如：
print(s.loc["週三"]) # 輸出：180（獲取標籤爲"週三"的數據）
- 按位置訪問（iloc）：已知位置時，用
iloc獲取數據。例如：
print(s.iloc[2]) # 輸出：180（獲取第2個位置的數據，即第三個元素）
3. 切片操作¶
- 標籤切片（包含結束標籤）：用
loc，例如：
print(s.loc["週二":"週四"]) # 輸出週二:200, 週三:180, 週四:220
- 位置切片（不包含結束位置）：用
iloc，例如：
print(s.iloc[1:4]) # 輸出週二:200, 週三:180, 週四:220
4. 修改索引¶
索引不可直接修改單個元素，但可以整體替換：
s.index = ["Mon", "Tue", "Wed", "Thu", "Fri"] # 替換所有索引
print(s)
四、數據操作與分析¶
1. 基本統計方法¶
Series內置了求和、均值、最大值等統計方法：
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. 條件篩選¶
通過布爾條件篩選數據：
s = pd.Series([10, 20, 30, 40])
filtered = s[s > 25] # 篩選出大於25的數據
print(filtered) # 輸出：30, 40
五、實戰案例：綜合練習¶
假設我們要記錄某商店一週的客流量，用Series存儲並分析：
import pandas as pd
# 1. 創建帶日期索引的客流量Series
days = ["週一", "週二", "週三", "週四", "週五", "週六", "週日"]
passengers = [500, 480, 520, 600, 550, 700, 650]
s = pd.Series(passengers, index=days, name="客流量")
# 2. 查看數據
print("=== 一週客流量數據 ===")
print(s)
# 3. 按標籤訪問週六客流量
print("\n週六客流量：", s.loc["週六"]) # 輸出：700
# 4. 計算總客流量和平均客流量
total = s.sum()
avg = s.mean()
print(f"\n總客流量：{total}人，平均每天：{avg:.1f}人")
# 5. 篩選客流量超過600人的日期
busy_days = s[s > 600]
print("\n客流量超過600人的日期：")
print(busy_days)
輸出結果：
=== 一週客流量數據 ===
週一 500
週二 480
週三 520
週四 600
週五 550
週六 700
週日 650
Name: 客流量, dtype: int64
週六客流量： 700
總客流量：4050人，平均每天：578.6人
客流量超過600人的日期：
週六 700
週日 650
dtype: int64
總結¶
Series是pandas中最基礎的數據結構，掌握它是數據處理的關鍵。核心要點：
- Series = 數據 + 標籤（索引），索引讓數據更易管理
- 支持列表、字典、標量創建，靈活適配數據來源
- 用loc（標籤）和iloc（位置）訪問數據，避免混淆
- 內置統計和篩選方法，快速實現數據初步分析
多動手嘗試不同場景（如用日期索引、字符串索引），熟悉索引操作和數據處理邏輯，就能逐步掌握Series的使用。