1.1 Pandas 概述与核心数据结构
上一模块完成了 NumPy 的学习，数组能高效存储和计算数值数据。但真实世界的数据大多带标签：一行对应一条记录，一列对应一个字段，靠整数位置来引用并不方便。Pandas 正是为解决带标签数据的存储、清洗与分析而设计的库，它建立在 NumPy 之上，把数组扩展成带轴标签的表格结构，是数据科学工作流中最常用的数据处理工具。本节从 Pandas 的安装讲起，重点建立 Series、DataFrame、Index 三个核心数据结构的完整概念，为后续各章的数据操作打好基础。
1.1.1 Pandas 概述与安装
Pandas 是什么
Pandas（Panel Data 的缩写）是 Python 生态中最流行的数据分析和处理库。它的核心价值在于两点：第一，提供带标签的表格数据结构，让每一行、每一列都有名字，数据操作不再依赖笨拙的位置编号；第二，提供一整套贴近日常数据分析需求的操作接口，筛选、清洗、分组、合并等高频操作都有一行代码的现成方法。pandas、NumPy、Matplotlib 三者构成 Python 数据分析的基础三件套，pandas 负责中间的数据组织与变换，NumPy 负责底层数值计算，Matplotlib 负责结果可视化。
Pandas 与 NumPy 的分工需要先明确：NumPy 处理的是同类型的纯数值数组，适合数值计算；Pandas 处理的是带标签的表格，允许每列类型不同，适合数据整理。实际分析中两者配合使用，Pandas 的数据结构底层就存放着 NumPy 数组，df.values 取出的就是底层数组。
安装 Pandas
Pandas 是第三方库，使用 pip 安装：
pip install pandas使用 conda 管理环境时用：
conda install pandas安装完成后验证版本：
import pandas as pd
print(pd.__version__) # 例如 2.1.0导入时统一使用 import pandas as pd 的别名，这是社区惯例，后续所有代码都沿用这一写法。需要 NumPy 配合时再 import numpy as np。
1.1.2 核心数据结构概述
Pandas 有三大核心数据结构，理解它们的关系是使用 Pandas 的前提。
Series 是一维带标签数组。它由两个部分组成：一组数据（通常是 NumPy 数组）和一组索引标签。可以把它理解成增强版的 Python 列表或字典，既支持按整数位置取值，也支持按标签取值。
DataFrame 是二维带标签表格。每一列是一个 Series，所有列共享同一个行索引。可以把它理解成 Excel 表格或关系数据库中的一张表，是 Pandas 中最常用、最重要的结构。
Index 是轴标签索引对象。Series 和 DataFrame 的行索引、DataFrame 的列索引都是 Index 对象。Index 本身是一个不可变、支持快速查找的一维数组，它是 Pandas 实现对齐、选择、合并等功能的底层基础。
三者的关系可以这样概括：DataFrame 是若干 Series 的集合，Series 是带标签的一维数组，Index 负责给数据贴上标签。
1.1.3 Series 详解
Series 的概念
Series 是 Pandas 的一维数据结构，由数据与索引组成。创建时如果不指定索引，Pandas 自动生成从 0 开始的整数索引：
import pandas as pd
s = pd.Series([10, 20, 30, 40])
print(s)
# 0 10
# 1 20
# 2 30
# 3 40
# dtype: int64可以指定索引标签，标签可以是字符串：
s = pd.Series([10, 20, 30], index=['a', 'b', 'c'])
print(s)
# a 10
# b 20
# c 30
# dtype: int64Series 的属性
Series 的常用属性如下：
s = pd.Series([1.5, 2.5, 3.5], index=['a', 'b', 'c'], name='测量值')
print(s.values) # [1.5 2.5 3.5]，底层 NumPy 数组
print(s.index) # Index(['a', 'b', 'c'], dtype='object')
print(s.name) # 测量值，Series 的名称
print(s.dtype) # float64，数据类型
print(s.shape) # (3,)，形状
print(s.size) # 3，元素个数
print(s.nbytes) # 24，底层数据占用的字节数
print(s.empty) # False，是否为空各属性含义：.values 返回底层 NumPy 数组，.index 返回索引对象，.name 是 Series 的名字，.dtype 是数据类型，.shape 是形状元组，.size 是元素总数，.nbytes 是数据占用的内存字节数，.empty 判断 Series 是否为空。
创建 Series
Series 可以从列表、字典、标量、NumPy 数组等不同来源创建。
从列表创建，索引自动生成或手动指定：
s1 = pd.Series([1, 2, 3]) # 自动索引
s2 = pd.Series([1, 2, 3], index=['x', 'y', 'z']) # 手动索引从字典创建，字典的键成为索引，值成为数据：
s = pd.Series({'apple': 5, 'banana': 3, 'cherry': 8})
print(s)
# apple 5
# banana 3
# cherry 8
# dtype: int64从标量创建，需要指定索引，标量会广播到每个位置：
s = pd.Series(0, index=['a', 'b', 'c'])
print(s)
# a 0
# b 0
# c 0
# dtype: int64从 NumPy 数组创建：
import numpy as np
s = pd.Series(np.arange(3), index=['a', 'b', 'c'])
print(s) # a 0 / b 1 / c 21.1.4 DataFrame 详解
DataFrame 的概念
DataFrame 是二维带标签表格，由行索引（index）、列索引（columns）和数据组成。创建时若不指定索引，自动生成整数索引。
df = pd.DataFrame({'姓名': ['张三', '李四', '王五'],
'年龄': [25, 30, 28],
'身高': [175.5, 168.0, 180.2]})
print(df)
# 姓名 年龄 身高
# 0 张三 25 175.5
# 1 李四 30 168.0
# 2 王五 28 180.2每一列是一个 Series，各列可以有不同的数据类型，这是 DataFrame 与 NumPy 二维数组的根本区别。
DataFrame 的属性
DataFrame 的常用属性如下：
import numpy as np
import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4.0, 5.0, 6.0]})
print(df.values) # [[1. 4.] [2. 5.] [3. 6.]]，底层 NumPy 数组
print(df.index) # RangeIndex(start=0, stop=3, step=1)
print(df.columns) # Index(['A', 'B'], dtype='object')
print(df.dtypes)
# A int64
# B float64
# dtype: object
print(df.shape) # (3, 2)，3 行 2 列
print(df.size) # 6，总元素个数
print(df.ndim) # 2，二维
print(df.empty) # False
print(df.T) # 转置，行与列互换
print(df.axes) # [RangeIndex(...), Index(['A', 'B'], ...)]，所有轴.values 返回底层数据（二维数组），.index 和 .columns 分别是行、列索引，.dtypes 返回每列的数据类型（注意是复数形式 dtypes），.shape、.size、.ndim 分别描述形状、元素总数和维度，.empty 判断是否为空，.T 返回转置，.axes 返回所有轴的索引列表。
创建 DataFrame
DataFrame 可以从字典、列表、NumPy 数组、Series 等来源创建。
从字典创建，键成为列名，值为列数据（值可以是列表、Series 或 NumPy 数组）：
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})从列表的列表创建，默认生成 0,1,2... 的列名，需要手动指定：
df = pd.DataFrame([[1, 2], [3, 4], [5, 6]],
columns=['X', 'Y'],
index=['r1', 'r2', 'r3'])从 NumPy 数组创建：
import numpy as np
arr = np.array([[1, 2], [3, 4]])
df = pd.DataFrame(arr, columns=['A', 'B'])从 Series 的字典创建，不同 Series 长度不同时，缺失位置自动补 NaN：
s1 = pd.Series([1, 2, 3], name='A')
s2 = pd.Series([10, 20], name='B')
df = pd.DataFrame({'A': s1, 'B': s2})
print(df)
# A B
# 0 1.0 10.0
# 1 2.0 20.0
# 2 3.0 NaN从文件创建（如 CSV）在 I/O 一章详细展开，这里先了解接口：pd.read_csv('data.csv') 直接得到 DataFrame。
1.1.5 Index 详解
创建索引对象
pd.Index() 用于创建索引对象：
idx = pd.Index([3, 1, 2])
print(idx) # Index([3, 1, 2], dtype='int64')
print(idx.dtype) # int64Index 是不可变对象，不能直接修改其中的元素，只能通过方法生成新索引，这保证了索引在数据对齐时的稳定性。
索引类型
Pandas 根据索引的用途提供多种类型：
import numpy as np
import pandas as pd
# RangeIndex：连续的整数范围，最节省内存
idx = pd.RangeIndex(0, 10, 2) # 0 到 9，步长 2
# Int64Index / Float64Index：任意整数或浮点索引
idx_int = pd.Index([1, 3, 5]) # Int64Index
idx_float = pd.Index([1.5, 2.5]) # Float64Index
# DatetimeIndex：时间戳索引
idx_dt = pd.date_range('2024-01-01', periods=3) # DatetimeIndex
# TimedeltaIndex：时间差索引
idx_td = pd.timedelta_range('1 day', periods=3)
# PeriodIndex：时间段索引
idx_p = pd.period_range('2024-01', periods=3, freq='M')
# CategoricalIndex：分类索引
idx_cat = pd.CategoricalIndex(['低', '中', '高'])
# MultiIndex：多层索引
idx_mi = pd.MultiIndex.from_tuples([('a', 1), ('a', 2), ('b', 1)])各种索引类型的含义：RangeIndex 是连续整数范围的轻量表示；Int64Index 与 Float64Index 是任意整数、浮点标签；DatetimeIndex 存放时间戳；TimedeltaIndex 存放时间差；PeriodIndex 存放时间段；CategoricalIndex 是分类值索引；MultiIndex 是多层（层次化）索引，在第 12 章展开。
判断一个索引属于哪种类型，可以用 isinstance 或 pd.api.types 模块：
idx = pd.date_range('2024-01-01', periods=2)
print(isinstance(idx, pd.DatetimeIndex)) # True1.1.6 数据类型 dtype
Pandas 的 dtype 比 NumPy 更丰富，除了基础数值类型，还有若干专用于表格数据的类型。常见的 dtype 如下：
| dtype | 说明 | 示例 |
|---|---|---|
int64 / int32 | 整数 | 年龄、计数 |
float64 / float32 | 浮点数 | 身高、温度 |
bool | 布尔值 | 是否通过 |
object | Python 对象（通常是混合类型或字符串） | 旧版字符串列 |
string | Pandas 专用字符串类型 | 姓名、地址 |
category | 分类数据 | 性别、等级 |
datetime64[ns] | 时间戳 | 日期时间 |
timedelta64[ns] | 时间差 | 持续时间 |
period | 时间段 | 月份区间 |
Sparse[...] | 稀疏数据 | 大量零值 |
interval | 区间数据 | 年龄区间 |
查看列类型用 .dtypes，指定类型在创建或读取时用 dtype 参数：
s = pd.Series(['a', 'b', 'c'], dtype='string')
print(s.dtype) # string
s_cat = pd.Series(['低', '中', '高'], dtype='category')
print(s_cat.dtype) # categoryobject 与 string 的差别在于：object 是 Python 对象数组，任何类型都能放进去，性能较低；string 是 Pandas 2.0 起推荐的专用字符串类型，提供更好的性能与缺失值支持。新代码应优先使用 string。
练习题
第1题 概念理解
写出下面代码中每个属性的输出含义，并说明 Series 与 DataFrame 的关系。
import pandas as pd
s = pd.Series([1, 2, 3], name='分数')
df = pd.DataFrame({'语文': [90, 85], '数学': [88, 92]})
print(s.values, s.index, s.name, s.dtype, s.shape, s.size, s.empty)
print(df.values, df.index, df.columns, df.dtypes, df.shape, df.ndim, df.empty, df.T)参考答案
s.values 是 [1 2 3]，s.index 是 RangeIndex，s.name 是 '分数'，s.dtype 是 int64，s.shape 是 (3,)，s.size 是 3，s.empty 是 False。df.values 是 [[90 88] [85 92]]，df.index 与 df.columns 分别是行、列索引，df.dtypes 是两列各自的 int64，df.ndim 是 2，df.T 转置后行列互换。
Series 是一维带标签数组，DataFrame 是若干 Series 按列组成的二维表格。
第2题 代码编写
从字典 {'姓名': ['赵六', '钱七'], '成绩': [76, 89]} 创建 DataFrame，输出它的列名、数据类型和转置结果；再单独创建三个 Series，分别从列表、字典、标量创建。
参考答案
import pandas as pd
df = pd.DataFrame({'姓名': ['赵六', '钱七'], '成绩': [76, 89]})
print(df.columns)
print(df.dtypes)
print(df.T)
s1 = pd.Series([1, 2, 3])
s2 = pd.Series({'a': 1, 'b': 2})
s3 = pd.Series(0, index=['x', 'y'])第3题 进阶练习
创建一个 DataFrame，包含三列：整数列、浮点列、字符串列；用 .dtypes 查看各列类型；再用 dtype 参数创建一个 category 类型的 Series，并确认其类型。
参考答案
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 2, 3], 'B': [1.5, 2.5, 3.5], 'C': ['x', 'y', 'z']})
print(df.dtypes)
s = pd.Series(['低', '中', '高'], dtype='category')
print(s.dtype) # category常见错误
错误 1 · ValueError: If using all scalar values, you must pass an index
原因:用单个标量创建 Series 时没有指定 index,如 pd.Series(5)。标量无法自动推断长度。
解决:创建标量 Series 时必须显式传入 index 参数。
错误 2 · 从字典创建 DataFrame 后列顺序与预期不符
原因:旧版本 Python 的字典不保证插入顺序,或混用了不同来源的列。
解决:Python 3.7 起字典保持插入顺序,一般无需担心;需要固定列顺序时用 df = df[['col2', 'col1']] 手动重排。
错误 3 · 用 df[列名] 得到的是 Series,不是 DataFrame
原因:单列选择默认返回 Series,后续操作行为与 DataFrame 不同(如 .shape 结果不同)。
解决:需要保留二维结构时用 df[['列名']](双层方括号)。
错误 4 · 修改 Index 时直接赋值报 TypeError: Index does not support mutable operations
原因:Index 是不可变对象,不支持 idx[0] = 1 这样的原地修改。
解决:用 idx.rename() 生成新索引,或先转成列表修改再重新创建。