Luquiescene

站点统计

文章

57

分类

5

标签

14

总字数

58,715

运行天数

0 天

最后活动

0 天前

公告

欢迎来到Luquiesceneの小屋ヾ(≧▽≦*)o

了解更多

标签

Luquiescene

公告

欢迎来到Luquiesceneの小屋ヾ(≧▽≦*)o

了解更多

标签

AI coding Arduino C++ Git GitHub Python 博客天文学学习笔记工具教程数据科学日常硬件

Luquiescene

公告

欢迎来到Luquiesceneの小屋ヾ(≧▽≦*)o

了解更多

标签

AI coding Arduino C++ Git GitHub Python 博客天文学学习笔记工具教程数据科学日常硬件

站点统计

文章

57

分类

5

标签

14

总字数

58,715

运行天数

0 天

最后活动

0 天前

865 字

2 分钟

笔记｜数据分析学习笔记15｜Series的常用方法

2026-07-03

2026-07-05

理工研习

Python

/

数据科学

/

学习笔记

/

教程

本系列所有文章都放在数据科学标签，总目录如下：

合集｜数据分析学习笔记｜系列总目录

上一篇：笔记｜数据分析学习笔记14｜Series的创建、属性与索引

15.1 Series 常用方法概述#

Pandas Series 提供了丰富的方法用于数据统计、清洗和操作。下表按功能分类列出：

常用方法总览#

方法	说明
`head()`	查看前 n 行数据，默认 5 行
`tail()`	查看后 n 行数据，默认 5 行
`isin()`	判断元素是否包含在参数集合中
`isna()`	判断是否为缺失值（如 `NaN` 或 `None`）
`sum()`	求和，自动忽略缺失值
`mean()`	平均值
`min()`	最小值
`max()`	最大值
`var()`	方差
`std()`	标准差
`median()`	中位数
`mode()`	众数（可返回多个）
`quantile(q)`	分位数，q 取 0~1 之间
`describe()`	常见统计信息（count、mean、std、min、25%、50%、75%、max）
`value_counts()`	每个唯一值的出现次数
`count()`	非缺失值数量
`nunique()`	唯一值个数（去重）
`unique()`	获取去重后的值数组
`drop_duplicates()`	去除重复项
`sample()`	随机抽样
`sort_index()`	按索引排序
`sort_values()`	按值排序
`replace()`	替换值
`keys()`	返回 Series 的索引对象

15.2 统计与描述方法#

以下示例基于一个包含缺失值的 Series：

1
import pandas as pd
2
import numpy as np
3

4
s = pd.Series([10, 2, np.nan, None, 3, 4, 5],
5
              index=['A', 'B', 'C', 'D', 'E', 'F', 'G'],
6
              name='data')
7
print(s)

输出：

1
A    10.0
2
B     2.0
3
C     NaN
4
D     NaN
5
E     3.0
6
F     4.0
7
G     5.0
8
Name: data, dtype: float64

15.2.1 数据预览#

1
print(s.head())   # 默认取前5行
2
print(s.tail())   # 默认取后5行

输出：

1
A    10.0
2
B     2.0
3
C     NaN
4
D     NaN
5
E     3.0
6
Name: data, dtype: float64
7
C     NaN
8
D     NaN
9
E     3.0
10
F     4.0
11
G     5.0
12
Name: data, dtype: float64

15.2.2 描述性统计#

1
print(s.describe())

输出：

1
count     5.000000
2
mean      4.800000
3
std       3.114482
4
min       2.000000
5
25%       3.000000
6
50%       4.000000
7
75%       5.000000
8
max      10.000000
9
Name: data, dtype: float64

describe() 一次性返回 count（非缺失值数量）、mean、std、min、四分位数和 max，是数据探索的第一步常用操作。

15.2.3 常用统计计算#

1
print(s.mean())     # 平均值
2
print(s.sum())      # 总和
3
print(s.std())      # 标准差
4
print(s.var())      # 方差
5
print(s.min())      # 最小值
6
print(s.max())      # 最大值
7
print(s.median())   # 中位数
8
print(s.quantile(0.25))  # 第25百分位数

输出：

1
4.8
2
24.0
3
3.1144823004794877
4
9.700000000000001
5
2.0
6
10.0
7
4.0
8
3.0

15.2.4 众数#

1
s['H'] = 4
2
print(s.mode())

输出：

1
0    4.0
2
Name: data, dtype: float64

mode() 返回众数，可能有多个值，返回一个 Series。

15.2.5 缺失值判断#

1
print(s.isna())   # 判断每个元素是否为缺失值

输出：

1
A    False
2
B    False
3
C     True
4
D     True
5
E    False
6
F    False
7
G    False
8
H    False
9
Name: data, dtype: bool

1
print(s.count())  # 非缺失值数量

输出：

1
6

15.2.6 元素包含判断#

1
print(s.isin([4, 5, 6]))  # 判断元素是否在指定集合中

输出：

1
A    False
2
B    False
3
C    False
4
D    False
5
E    False
6
F     True
7
G     True
8
H     True
9
Name: data, dtype: bool

15.3 去重、排序与索引方法#

15.3.1 唯一值与去重#

1
print(s.value_counts())       # 每个唯一值的出现次数
2
print(s.drop_duplicates())    # 去重（返回 Series）
3
print(s.unique())             # 去重（返回 numpy 数组）
4
print(s.nunique())            # 去重后的元素个数

输出：

1
data
2
4.0     2
3
10.0    1
4
2.0     1
5
3.0     1
6
5.0     1
7
Name: count, dtype: int64
8

9
A    10.0
10
B     2.0
11
C     NaN
12
E     3.0
13
F     4.0
14
G     5.0
15
Name: data, dtype: float64
16

17
[10.  2. nan  3.  4.  5.]
18

19
5

要点说明：

value_counts() 用于统计频次，默认按出现次数降序排列。
drop_duplicates() 返回去重后的 Series，保留原始索引。
unique() 返回去重后的 numpy 数组。
nunique() 返回去重后的个数（整数）。

15.3.2 排序#

1
print(s.sort_index())    # 按索引排序
2
print(s.sort_values())   # 按值排序（缺失值默认排在末尾）

输出：

1
A    10.0
2
B     2.0
3
C     NaN
4
D     NaN
5
E     3.0
6
F     4.0
7
G     5.0
8
H     4.0
9
Name: data, dtype: float64
10

11
B     2.0
12
E     3.0
13
F     4.0
14
H     4.0
15
G     5.0
16
A    10.0
17
C     NaN
18
D     NaN
19
Name: data, dtype: float64

15.3.3 索引对象#

1
print(s.keys())   # 返回索引对象
2
print(s.index)    # 属性方式获取索引

输出：

1
Index(['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'], dtype='object')
2
Index(['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'], dtype='object')

15.4 案例中涉及的补充方法#

以下方法在实际数据分析案例中出现，作为补充参考：

方法	说明
`diff()`	计算相邻元素之间的差值，常用于分析变化量
`pct_change()`	计算相邻元素之间的百分比变化率，常用于收益率、环比分析
`idxmax()`	返回最大值的索引标签
`idxmin()`	返回最小值的索引标签
`rolling(n)`	生成滚动窗口对象，配合 `sum()`、`mean()` 等进行滑动计算
`resample(rule)`	按指定频率重采样时间序列数据（如按天聚合到按月）
`abs()`	对每个元素取绝对值，常配合 `diff()` 使用获取变化幅度
`tolist()`	将 Series 的索引或值转换为 Python 列表

15.5 本节小结#

本节完成了以下内容：

掌握了 Series 的统计描述方法：describe()、mean()、sum()、std()、var()、min()、max()、median()、mode()、quantile()。
掌握了缺失值判断方法：isna()、count()。
掌握了元素判断与过滤：isin()。
掌握了去重相关方法：value_counts()、drop_duplicates()、unique()、nunique()。
掌握了排序方法：sort_index()、sort_values()。
了解了案例中涉及的补充方法：diff()、pct_change()、idxmax()、idxmin()、rolling()、resample()、abs()、tolist()。