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

779 字

2 分钟

笔记｜数据分析学习笔记16｜Series案例

2026-07-03

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15｜Series的常用方法

16.1 案例概述#

本节通过五个实际案例，综合运用 Series 的创建、筛选、统计、排序等方法，巩固前几节所学知识。

使用的库：

1
import numpy as np
2
import pandas as pd

16.2 学生成绩统计#

生成 10 名学生的随机成绩，进行基本统计分析。

1
np.random.seed(42)
2
scores = pd.Series(np.random.randint(50, 101, 10),
3
                   index=['学生' + str(i) for i in range(1, 11)])
4
print(scores)

输出：

1
学生1     88
2
学生2     78
3
学生3     64
4
学生4     92
5
学生5     57
6
学生6     70
7
学生7     88
8
学生8     68
9
学生9     72
10
学生10    60
11
dtype: int32

1
print('平均分:', scores.mean())
2
print('最高分:', scores.max())
3
print('最低分:', scores.min())
4
print('高于平均分的人数:', scores[scores > scores.mean()].count())

输出：

1
平均分: 73.7
2
最高分: 92
3
最低分: 57
4
高于平均分的人数: 4

涉及方法： mean()、max()、min()、布尔索引筛选、count()。

16.3 温度数据分析#

分析一周温度数据，找出最高温所在日和温度变化最大的两天。

1
temperatures = pd.Series([28, 31, 29, 32, 30, 27, 33],
2
                          index=['周一', '周二', '周三', '周四', '周五', '周六', '周日'])
3
# 温度超过30的天数
4
print('超30℃天数:', temperatures[temperatures > 30].count())
5
print('平均温度:', temperatures.mean())
6

7
# 按温度降序排列
8
print(temperatures.sort_values(ascending=False))

输出：

1
超30℃天数: 3
2
平均温度: 30.0
3
周日    33
4
周四    32
5
周二    31
6
周五    30
7
周三    29
8
周一    28
9
周六    27
10
dtype: int64

1
# 计算温度变化最大的两天
2
# 原始温度: 28  31  29  32  30  27  33
3
# 相邻差:   nan  3  -2   3  -2  -3   6
4
t3 = temperatures.diff().abs()
5
print('温度变化最大的2天:', t3.sort_values(ascending=False).index[:2].tolist())

输出：

1
温度变化最大的2天: ['周日', '周二']

分析过程：

diff()：计算相邻两天的温差。
abs()：取绝对值，获取变化幅度（不分正负）。
sort_values(ascending=False)：按变化幅度降序排列。
index[:2].tolist()：取前两名的索引（周几）并转为列表。

16.4 股票价格分析#

模拟 10 天的股票收盘价，计算每日收益率和波动率。

1
prices = pd.Series([102.3, 103.5, 105.1, 104.8, 106.2, 107.0,
2
                    106.5, 108.1, 109.3, 110.2],
3
                   index=pd.date_range('2023-01-01', periods=10))
4
print(prices)

输出：

1
2023-01-01    102.3
2
2023-01-02    103.5
3
2023-01-03    105.1
4
2023-01-04    104.8
5
2023-01-05    106.2
6
2023-01-06    107.0
7
2023-01-07    106.5
8
2023-01-08    108.1
9
2023-01-09    109.3
10
2023-01-10    110.2
11
Freq: D, dtype: float64

pd.date_range() 可以快速生成连续的日期索引，periods 指定生成天数。

1
# 每日收益率 = 当日收盘价 / 前日收盘价 - 1
2
a = prices.pct_change()
3
print(a)

输出：

1
2023-01-01         NaN
2
2023-01-02    0.011730
3
2023-01-03    0.015459
4
2023-01-04   -0.002854
5
2023-01-05    0.013359
6
2023-01-06    0.007533
7
2023-01-07   -0.004673
8
2023-01-08    0.015023
9
2023-01-09    0.011101
10
2023-01-10    0.008234
11
Freq: D, dtype: float64

第一天为 NaN，因为没有前一天的数据可供计算。

1
print('收益率最高的日期:', a.idxmax())
2
print('收益率最低的日期:', a.idxmin())
3
print('波动率（标准差）:', a.std())

输出：

1
收益率最高的日期: 2023-01-03 00:00:00
2
收益率最低的日期: 2023-01-07 00:00:00
3
波动率（标准差）: 0.007373623845361105

涉及方法： pd.date_range()、pct_change()、idxmax()、idxmin()、std()。

16.5 销售数据分析#

分析 2022 年月度销售数据，实现季度汇总和连续增长检测。

1
sales = pd.Series([120, 135, 145, 160, 155, 170, 180, 175, 190, 200, 210, 220],
2
                  index=pd.date_range('2022-01-01', periods=12, freq='MS'))
3
print(sales)

输出：

1
2022-01-01    120
2
2022-02-01    135
3
2022-03-01    145
4
2022-04-01    160
5
2022-05-01    155
6
2022-06-01    170
7
2022-07-01    180
8
2022-08-01    175
9
2022-09-01    190
10
2022-10-01    200
11
2022-11-01    210
12
2022-12-01    220
13
Freq: MS, dtype: int64

freq='MS' 表示月初（Month Start），生成每月第一天。

季度平均销量：

1
print(sales.resample('QS').mean())

输出：

1
2022-01-01    133.333333
2
2022-04-01    161.666667
3
2022-07-01    181.666667
4
2022-10-01    210.000000
5
Freq: QS-JAN, dtype: float64

resample('QS') 按季度（Quarter Start）对时间序列做重采样，配合 mean() 计算每季度平均值。

月环比增长率：

1
print(sales.pct_change())

输出：

1
2022-01-01         NaN
2
2022-02-01    0.125000
3
2022-03-01    0.074074
4
2022-04-01    0.103448
5
2022-05-01   -0.031250
6
2022-06-01    0.096774
7
2022-07-01    0.058824
8
2022-08-01   -0.027778
9
2022-09-01    0.085714
10
2022-10-01    0.052632
11
2022-11-01    0.050000
12
2022-12-01    0.047619
13
Freq: MS, dtype: float64

连续增长超过 2 个月的月份（滑动窗口算法）：

1
a = sales.pct_change()
2
b = a > 0
3
print(list(b[b.rolling(3).sum() == 3].keys()))

输出：

1
[Timestamp('2022-04-01 00:00:00'), Timestamp('2022-11-01 00:00:00'), Timestamp('2022-12-01 00:00:00')]

分析过程：

pct_change()：计算逐月环比增长率。
> 0：生成布尔 Series，标记增长（True）或下降（False）。
rolling(3).sum()：滑动窗口大小为 3，计算连续 3 个月中增长的月份数。
== 3：筛选出连续 3 个月都增长的月份。

涉及方法： resample()、pct_change()、idxmax()、rolling()、keys()。

16.6 每小时销售数据分析#

生成一天 24 小时的随机销售数据，按天聚合计算总销售额。

1
np.random.seed(42)
2
hourly_sales = pd.Series(np.random.randint(1, 100, 24),
3
                         index=pd.date_range('2025-01-01', periods=24, freq='h'))
4
print(hourly_sales)

输出：

1
2025-01-01 00:00:00    52
2
2025-01-01 01:00:00    93
3
2025-01-01 02:00:00    15
4
2025-01-01 03:00:00    72
5
2025-01-01 04:00:00    61
6
2025-01-01 05:00:00    21
7
2025-01-01 06:00:00    83
8
2025-01-01 07:00:00    87
9
2025-01-01 08:00:00    75
10
2025-01-01 09:00:00    75
11
2025-01-01 10:00:00    88
12
2025-01-01 11:00:00    24
13
2025-01-01 12:00:00     3
14
2025-01-01 13:00:00    22
15
2025-01-01 14:00:00    53
16
2025-01-01 15:00:00     2
17
2025-01-01 16:00:00    88
18
2025-01-01 17:00:00    30
19
2025-01-01 18:00:00    38
20
2025-01-01 19:00:00     2
21
2025-01-01 20:00:00    64
22
2025-01-01 21:00:00    60
23
2025-01-01 22:00:00    21
24
2025-01-01 23:00:00    33
25
Freq: h, dtype: int32

freq='h' 表示按小时生成时间序列。

按天汇总总销售额：

1
print(hourly_sales.resample('D').sum())

输出：

1
2025-01-01    1162
2
Freq: D, dtype: int32

resample('D') 将 24 条小时数据聚合为 1 条日数据，配合 sum() 计算当天总销售额。

16.7 本节小结#

本节通过五个案例综合运用了 Series 的核心方法：

案例	涉及方法
学生成绩统计	`mean()`、`max()`、`min()`、布尔索引、`count()`
温度数据分析	`sort_values()`、`diff()`、`abs()`、`tolist()`
股票价格分析	`pd.date_range()`、`pct_change()`、`idxmax()`、`idxmin()`、`std()`
销售数据分析	`resample()`、`pct_change()`、`rolling()`、`keys()`
每小时销售分析	`pd.date_range(freq='h')`、`resample('D').sum()`