1-1 Series与DataFrame体检档案

1-1 Series与DataFrame：建第一份体检档案

本节摘要：Series是一维带标签数组，DataFrame是共享同一套行索引的多个Series按列拼成的二维表。本节在体检流水线的位置：这是接诊建档的第一步，后面所有科室都在这两种档案上进行操作。

承接本章主线：病人进门前台，第一件事是认清档案袋。1-1建档案，1-2挂号，1-3登记，1-4归档。

化验单视角看Series

一张血常规化验单上，"白细胞计数"这一项有名称、有数值、有参考区间。Pandas里的Series就是"一项指标的一串历史测量值"：数据本身是一维数组，每条测量值带一个标签（测量日期），这一串标签就是索引。

import pandas as pd

# 用列表构造一个Series：三家门店一月份的销售额
s = pd.Series([128000, 96500, 173200], index=['门店A', '门店B', '门店C'])
print(s)
# 门店A    128000
# 门店B     96500
# 门店C    173200
# dtype: int64

print(s.values)      # 取出纯数值：[128000  96500 173200]
print(s.index)       # Index(['门店A', '门店B', '门店C'], dtype='object')
print(s.mean())      # 132566.66666666667
​

values给出"剥离标签后的裸数据"，index给出挂号条。新手的第一个常见误会就在这里：Series不是"带行号的列表"，行号只是索引的一种特例，标签完全可以是日期、门店名、甚至多级元组。

Series支持向量化运算，这是Pandas全家（后面第八章的性能话题）的根基：

# 全部门店打九折促销后的销售额，一行完成，无需循环
print(s * 0.9)
# 门店A    115200.0
# 门店B     86850.0
# 门店C    155880.0
# dtype: float64

# 布尔筛选：销售额超过10万的门店
print(s[s > 100000])
# 门店A    128000
# 门店C    173200
# dtype: int64
​

病历册视角看DataFrame

一本项目病历册，左页是日期（所有指标共用），右页起每一列是一个指标。DataFrame就是这个结构：一套行索引，若干列各自成Series，列名是字段名。构造它最自然的方式是字典——键做列名，值做列数据。

# 月度销售明细：我们的主线"病人"第一次亮相
df = pd.DataFrame({
    '日期': ['2024-01-03', '2024-01-03', '2024-01-10', '2024-01-15', '2024-01-21', '2024-01-21'],
    '门店': ['A', 'B', 'A', 'C', 'A', 'A'],
    '金额': [1280, 960, 1732, '880', 2100, 2100],   # 混进了一个字符串
})
print(df)
#           日期 门店    金额
# 0  2024-01-03    A   1280
# 1  2024-01-03    B    960
# 2  2024-01-10    A   1732
# 3  2024-01-15    C    880
# 4  2024-01-21    A   2100
# 5  2024-01-21    A   2100

print(df.shape)     # (6, 3) —— 6次交易、3个字段
print(df.dtypes)    # 每列一份"血型鉴定"
# 日期    object
# 门店    object
# 金额    object   # 混入字符串后整列被降级为object，这是第一章埋下的病灶
​

注意dtypes的输出：金额列本该是数字，因为第4行混进了字符串'880'，整列被拖成了object。这种"一粒老鼠屎坏一锅汤"的类型传染，是第四章专科门诊要正式处理的病，这里先建档留底。

两份档案的体检要点

列存取、取行、改值，三件事在接诊阶段就要形成肌肉记忆：

# 取一列：得到Series
print(df['金额'])
# 取多列：得到新DataFrame
print(df[['日期', '金额']].head(2))
# 用loc按标签取一行
print(df.loc[2, '金额'])   # 1732
# 新增一列：全部门店金额换算成万元
df['金额万元'] = None  # 先占位，下一节会用更规范的方式填充
print(df.columns)  # Index(['日期', '门店', '金额', '金额万元'], dtype='object')
​

⚠️ 常见坑：df['金额']返回的是视图还是副本的旧争论已过时，现代Pandas会对链式赋值发出SettingWithCopyWarning。看到这个警告，说明你的"修改"可能写在一份数据的副本上——正确做法是先显式复制，或用单次.loc完成读写。

💡 关键直觉：DataFrame不是"行的集合"而是"列的订册"。理解了列式思维，向量化、groupby、merge的很多行为都会顺理成章。

本节要点回顾

• Series三要素：数据、索引、dtype；values与index分别取裸数据与挂号条
• DataFrame是列的集合：共享行索引的若干Series按列名订成册
• 类型传染：一列混入异构值会整体降级为object，dtypes是第一道体检
• shape与head：先看规模再看样本，是接诊的固定动作
• 链式赋值警告是副本问题的信号，不是可以无视的噪音

追问：info与describe该什么时候上

数据再大一点，逐列打印就不现实了。接诊阶段还有两件总览器械值得形成习惯：

# info：规模、稀疏度、血型一份看全
df.info()

# describe：数值列的五数概括加均值
print(df['金额'].describe())
​

describe此刻只输出一行有效信息（金额列还是object血型时甚至不出现在describe里），但等第四章转完类型，它会立刻变成体检查房的常客。这种"同一个函数在不同健康阶段输出不同"的现象，本身就是数据状态的信号：describe里缺席的数值列，几乎都有血型问题。

本节的接诊清单

拿到任何新数据，固定做四个动作：head看样本、shape看规模、dtypes验血型、info看稀疏。四个动作十秒钟，后面每一步操作都有依据。反过来的代价是把类型病带进聚合，在报告里才发现数字对不上——那时回溯的成本是十秒的一百倍。

下一节给这份档案挂上正式的号——Index，它是Pandas对齐机制的身份证。