以下是关于 Pandas Series 的从入门到精通的系统指南，包含核心概念、操作技巧和实战示例：
1. 入门篇：基础操作
1.1 创建Series
import pandas as pd
# 从列表创建
s1 = pd.Series([1, 3, 5, 7, 9]) # 默认数字索引
s2 = pd.Series([10, 20, 30], index=['a', 'b', 'c']) # 自定义索引
# 从字典创建（自动将键作为索引）
data_dict = {'a': 10, 'b': 20, 'c': 30}
s3 = pd.Series(data_dict)
1.2 查看基本属性
print(s2.values) # 输出值数组：[10, 20, 30]
print(s2.index) # 输出索引：Index(['a', 'b', 'c'], dtype='object')
print(s2.dtype) # 数据类型：int64
print(s2.shape) # 形状：(3,)
print(s2.size) # 元素数量：3
1.3 索引与切片
# 按位置索引（类似列表）
print(s2[0]) # 输出：10
# 按标签索引
print(s2['b']) # 输出：20
# 切片（包含结束位置）
print(s2[1:3]) # 输出：b=20, c=30
print(s2['a':'c']) # 标签切片包含'c'
# 布尔索引
print(s2[s2 > 15]) # 输出值大于15的元素
1.4 修改索引和值
s2.index = ['x', 'y', 'z'] # 修改索引
s2['x'] = 100 # 修改单个值
s2.replace(20, 200, inplace=True) # 替换值
2. 进阶篇：数据处理
2.1 处理缺失值
s4 = pd.Series([1, None, 3, np.nan, 5])
# 检测缺失值
print(s4.isna()) # 返回布尔Series
# 删除缺失值
s4_drop = s4.dropna()
# 填充缺失值
s4_fill = s4.fillna(0) # 填充0
s4_ffill = s4.fillna(method='ffill') # 前向填充
2.2 向量化操作
# 直接数学运算
s5 = s2 * 2 # 每个元素乘以2
s6 = s2 + pd.Series([1, 2, 3], index=['x', 'y', 'z']) # 按索引对齐运算
# 使用NumPy函数
import numpy as np
s7 = np.sqrt(s2) # 对每个元素开平方
2.3 统计计算
print(s2.mean()) # 平均值
print(s2.sum()) # 总和
print(s2.value_counts()) # 值频次统计（适用于离散值）
print(s2.describe()) # 快速统计摘要（均值、标准差、分位数等）
2.4 应用自定义函数
# 使用apply
s8 = s2.apply(lambda x: x**2 + 1)
# 使用map（元素级转换）
s9 = s2.map({10: 'low', 20: 'mid', 30: 'high'}) # 映射替换
3. 精通篇：高级技巧
3.1 时间序列处理
# 创建时间序列
dates = pd.date_range('2023-01-01', periods=5)
s_time = pd.Series([10, 20, 15, 30, 25], index=dates)
# 按时间重采样
s_resampled = s_time.resample('W').mean() # 按周平均
3.2 分类数据优化
# 转换为分类类型（减少内存）
s_cat = pd.Series(['apple', 'banana', 'apple', 'orange'], dtype='category')
3.3 多层索引（MultiIndex）
arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]
multi_index = pd.MultiIndex.from_arrays(arrays, names=('group', 'subgroup'))
s_multi = pd.Series([10, 20, 30, 40], index=multi_index)
# 按层级访问
print(s_multi.loc['A', 1]) # 输出：10
3.4 与DataFrame交互
# 从DataFrame中提取列（本质是Series）
df = pd.DataFrame({'A': [1, 2, 3], 'B': ['x', 'y', 'z']})
s_from_df = df['A']
# 将Series转换为DataFrame
df_from_s = s2.to_frame(name='values')
4. 实战技巧
4.1 高效过滤
# 多条件筛选
s_filtered = s2[(s2 > 15) & (s2.index != 'z')]
4.2 性能优化
# 避免循环，使用向量化操作
s_squared = s2 ** 2 # 比apply快10倍以上
# 使用eval表达式（适用于大型数据）
s_result = pd.eval('s2 * 2 + 5')
4.3 合并Series
s10 = pd.Series([100, 200], index=['x', 'y'])
combined = pd.concat([s2, s10], axis=0) # 纵向合并
5. 常见问题
5.1 索引自动对齐
s11 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
s12 = pd.Series([4, 5, 6], index=['b', 'c', 'd'])
s_sum = s11 + s12 # 结果：a=NaN, b=6, c=8, d=NaN
5.2 处理重复索引
s_dup = pd.Series([10, 20, 30], index=['a', 'a', 'b'])
s_unique = s_dup[~s_dup.index.duplicated()] # 保留第一个重复索引
