在上一篇中，我们讨论了如何配置环境以安装 Pandas 库，确保我们可以使用这个强大的数据分析工具。本篇将深入探讨 Pandas 的两种核心数据结构：Series 和 DataFrame。理解这两种数据结构是使用 Pandas 进行数据分析的基础。

1. 什么是 Series？

Series 是 Pandas 中的一维数组对象，类似于 Python 的列表（list）或者 NumPy 的数组（ndarray），但 Series 还具有标签（index）的特性。每个元素都可以通过索引访问。

示例

下面是一个创建 Series 的简单示例：

import pandas as pd

# 创建一个简单的 Series
data = pd.Series([10, 20, 30, 40])
print(data)
复制

输出结果为：

0    10
1    20
2    30
3    40
dtype: int64
复制

在这个例子中，我们创建了一个包含四个整数的 Series。每个值都有一个默认索引（从 0 开始）。

自定义索引

我们还可以为 Series 自定义索引：

# 自定义索引
data_custom_index = pd.Series([10, 20, 30], index=['a', 'b', 'c'])
print(data_custom_index)
复制

输出结果为：

a    10
b    20
c    30
dtype: int64
复制

通过 index 参数，我们可以指定 'a', 'b', 'c' 作为索引，这使得取值更加直观。

2. 什么是 DataFrame？

DataFrame 是 Pandas 中的二维数据结构，类似于电子表格或 SQL 表。它由行和列组成，可以看作是由多个 Series 组成的字典，每个 Series 可以用列名索引。

示例

下面是一个创建 DataFrame 的简单示例：

# 创建一个简单的 DataFrame
data_dict = {
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'Salary': [50000, 60000, 70000]
}
df = pd.DataFrame(data_dict)
print(df)
复制

输出结果为：

      Name  Age  Salary
0    Alice   25   50000
1      Bob   30   60000
2  Charlie   35   70000
复制

在这个例子中，我们创建了一个包含三列的 DataFrame，列分别是 Name, Age, 和 Salary，每一列都是一个 Series。

访问数据

我们可以轻松访问 DataFrame 中的数据。比如，我们可以通过列名来访问某一列：

# 访问 Salary 列
salaries = df['Salary']
print(salaries)
复制

输出结果为：

0    50000
1    60000
2    70000
Name: Salary, dtype: int64
复制

我们也可以通过行索引访问特定行：

# 访问第一行
first_row = df.iloc[0]
print(first_row)
复制

输出结果为：

Name      Alice
Age           25
Salary     50000
Name: 0, dtype: object
复制

3. Series 与 DataFrame 的对比

在下一篇中，我们将讨论 Pandas 中常用数据结构的对比，因此在这里简单列出 Series 和 DataFrame 的主要区别：

特性	Series	DataFrame
维度	一维	二维
数据访问	通过单个索引访问	通过行、列索引访问
适用场景	一维数据、时间序列等	表格数据、多个变量的相关性分析
结构	一种类型的数据	多种类型的数据组合

结语

通过对 Series 和 DataFrame 的理解，我们为后续的数据处理和分析奠定了基础。在下一篇中，我们将深入探讨这两者的特点以及它们在数据分析中的应用。继续保持好奇心，深入探索 Pandas 的强大功能吧！