PythonSeries核心方法全解析

本文系统详解了Pandas中Series这一核心一维数据结构的常用操作，从创建与属性查看、灵活的数据访问（标签/位置/布尔索引）、高效的数据清洗与转换（dropna、fillna、astype、replace、str和apply），到全面的统计分析（mean、sum、describe、value_counts、isnull等），覆盖数据处理全流程；掌握这些方法不仅能大幅提升数据操作效率，更能为复杂的数据分析任务打下坚实基础。

Series 是 Pandas 中一种一维带标签的数组结构，广泛用于数据清洗、分析和处理。掌握其常用方法能显著提升数据操作效率。以下是 Python 中 Series 常用方法的整理，涵盖创建、访问、运算、统计、处理缺失值等核心操作。

1. 创建与基本属性

Series 可由列表、数组、字典等创建，支持自定义索引。

• pd.Series([1, 2, 3], index=['a', 'b', 'c']) —— 用列表创建
• pd.Series({'x': 10, 'y': 20}) —— 用字典创建
• s.values —— 获取底层 NumPy 数组
• s.index —— 查看索引
• s.name, s.index.name —— 设置或查看名称

2. 数据访问与选择

支持按标签、位置或条件筛选数据。

• s['a'] 或 s.a —— 按标签取值（若标签合法）
• s[1:3] —— 切片（支持标签或位置）
• s.loc['a'] —— 明确按标签访问
• s.iloc[0] —— 按位置访问
• s[s > 5] —— 布尔索引，筛选大于5的值

3. 常用数据处理方法

对数据进行清洗、转换和类型操作。

• s.dropna() —— 删除缺失值
• s.fillna(0) —— 填充 NaN 值
• s.astype('str') —— 转换数据类型
• s.replace(1, 100) —— 替换特定值
• s.str.lower() —— 字符串操作（需为字符串类型）
• s.apply(lambda x: x*2) —— 对每个元素应用函数

4. 统计与描述性分析

快速获取数据分布和统计信息。

• s.mean(), s.median(), s.std() —— 均值、中位数、标准差
• s.sum(), s.min(), s.max() —— 求和、最小、最大
• s.describe() —— 返回综合统计摘要
• s.value_counts() —— 统计各值出现次数
• s.isnull(), s.notnull() —— 检查缺失值

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~