Pandas 是一個基於 Python 的資料處理與分析工具，它提供了高效且靈活的資料結構，使處理結構化資料（如表格、時間序列等）變得更加簡單。Pandas 建立在 NumPy 之上，充分利用了 NumPy 的高效數值運算能力，同時引入了更高層次的資料操作介面，例如 DataFrame 和 Series，讓資料的讀取、篩選、清理、轉換與統計分析更加直觀和強大。本文將介紹 pandas 中的 Series。
Series #
Series 是一種帶有索引的一維資料結構，類似於一個可以標上名字的陣列。每個資料值旁邊都有一個對應的索引（index），可以用索引快速地取出或操作資料。即使資料的順序改變，只要有索引在，也能輕鬆定位到正確的值。創建一個 Series 非常簡單：
import pandas as pd
data = pd.Series([10, 20, 30, 40, 50])
print(data)
我們就能得到
0 10
1 20
2 30
3 40
4 50
dtype: int64
左邊的是索引，右邊的是值。我們可以在 Series 中自己定義索引,
import pandas as pd
data = pd.Series([10, 20, 30], index=['a', 'c', 'b', 'f', 'k'])
print(data)
就能得到，
a 10
c 20
b 30
f 40
k 50
dtype: int64
這樣做的好處是，我們可以通過我們定義的索引來獲取特定元素，例如：data["a"], 當然原先的索引方法仍然是可以用的。為了區別開來，我們把原先的索引叫做 “位置索引”，我們自己定義的叫做 “標籤索引”。這兩個索引有細微不同之處：
- 位置索引：
data[1:3]不包含結尾索引 - 標籤索引：
data[“a”:"c"]包含結尾索引，所以會輸出前兩項
我們還可以放入一個列表來進行索引，例如：
data[["f", "a", "k"]] # 結果和 data[["3", "0", "4"]]
就能得到
f 40
a 10
k 50
dtype: int64
loc 和 iloc #
當然爾，我們還可以用整數作為標籤，但這可能讓我們發生困惑，不知道索引取值和切片取值的時候是用哪一個。其實結果是：
- 索引取值按照標籤
- 切片取值按照位置
為了避免這種困惑，Pandas 提供給我們 loc 和 iloc 方法，loc 表示用標籤索引，iloc 表示用位置索引。使用方法如 data.iloc[3]
條件篩選 #
和 Numpy 裡的 array 一樣，我們也可以通過條件篩選符合條件的元素，例如: data[(data > 20) | (data < 40)]
字典創建 Series #
我們還可以直接傳入一個字典用來創建 Series：
data = pd.Series({
"青菜": 4.1,
"白蘿蔔": 2.2,
"西紅柿": 5.3,
"土豆": 3.7,
"黃瓜": 6.8
})
這樣key就對變成對應的index.
四則運算 #
在 Series 當中，我們也可以使用加減乘除來操作，只有擁有同樣索引的值會被加起來，其餘的都會變成 NaN. 例如：
s1 = pd.Series([1, 2, 3, 4, 5], index = ['a', 'b', 'c', 'd', 'e'])
s2 = pd.Series([50, 40, 30, 20, 10], index = ['a', 'b', 'd', 'e', 'f'])
s1+s2 就會得到：
a 51.0
b 42.0
c NaN
d 34.0
e 25.0
f NaN
dtype: float64
如果希望缺失的值有默認的話，可以使用 s1.add(s2, fill_value=0). 這樣的話可以得到：
a 51.0
b 42.0
c 3.0
d 34.0
e 25.0
f 10.0
dtype: float64
常用方法 #
min, max, mean, sum這些常用的方法也出現在 Series當中describe方法可以告訴我們一些重要的統計信息
對元素分別操作 #
如果想要對每個元素分別操作，例如，我們擁有 scores 這個記錄了全班分數的 Series，我們想要設置 80 分以上為 A，60分以上為 B，其餘為 C 的話，我們可以先定義：
def grade_from_score(score):
if score >= 80:
return "A"
elif score >= 60:
return "B"
else:
return "C"
然後使用 apply，他會返回一個新的Series：
grades = scores.apply(grade_from_score)
我們也可以傳入匿名函數，關於匿名函數，詳見本 blog 中相應文章。