🐼 Pandas 基础回顾

Series 与 DataFrame · 创建 · 属性 · 索引切片 · 数据类型

📌 创建 Series & DataFrame

🌟 从列表、字典、NumPy 数组快速构建

结构	创建方式	示例代码
Series	`pd.Series(data, index)`	s = pd.Series([10, 20, 30], index=['a','b','c'])
DataFrame	`pd.DataFrame(dict)`	df = pd.DataFrame({'姓名': ['小智','小霞'], '分数': [95, 88]})
从 NumPy	`pd.DataFrame(np.array)`	df = pd.DataFrame(np.random.rand(3,2), columns=['X','Y'])

import pandas as pd
import numpy as np

# 创建 Series
s1 = pd.Series([5, 6, 7, 8], index=['春','夏','秋','冬'])
print(s1)

# 创建 DataFrame (字典)
df_students = pd.DataFrame({
    '姓名': ['小明', '小红', '小刚'],
    '年龄': [10, 11, 10],
    '爱好': ['画画', '唱歌', '编程']
})
print(df_students)

🔍 基本属性 · 一览

🏷️ .shape

📋 .dtypes

🧾 .columns

🔢 .index

📊 .values

📏 .size

📌 .ndim

✂️ 索引与切片 · 灵活访问

标签索引 — df['列名'] 、 s['标签'] 、 df.loc[行标签, 列标签]
位置索引 — df.iloc[行位置, 列位置] 、 s.iloc[整数]
切片操作 — df[1:4] 、 s['a':'c'] （包含终点）
布尔索引 — df[df['年龄'] > 10] 过滤数据

# 索引切片实战
df = pd.DataFrame({'水果': ['苹果','香蕉','橘子','葡萄'],'数量': [12, 8, 15, 7]})
print(df.loc[1:2, '水果'])   # 标签切片
print(df.iloc[0:2, 0])       # 位置切片
print(df[df['数量'] >= 10])  # 布尔索引

🧬 常用数据类型 · dtypes

Pandas 类型	Python / NumPy 对应	说明
`int64`	int, np.int64	整数数值
`float64`	float, np.float64	浮点数
`object`	str, 混合类型	字符串或混合
`bool`	bool, np.bool_	布尔值
`datetime64[ns]`	datetime	时间日期
`category`	pd.Categorical	分类数据，节省内存

# 查看 & 转换数据类型
df = pd.DataFrame({'A': [1,2,3], 'B': [1.5, 2.5, 3.5], 'C': ['x','y','z']})
print(df.dtypes)
df['A'] = df['A'].astype('float64')
df['C'] = df['C'].astype('category')
print(df.dtypes)

✨ 回顾要点

Series 一维带标签数组，类似字典+列表
DataFrame 二维表格，多列Series组成
索引灵活使用 loc / iloc / 布尔
dtype 决定内存与操作效率，善用 astype() 与 category