1195 字
6 分钟
页面浏览--访问次数--
数据分析｜Series案例
2026-07-03信息学Python数据科学

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：

import numpy as np
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。

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

输出：

学生1     88
学生2     78
学生3     64
学生4     92
学生5     57
学生6     70
学生7     88
学生8     68
学生9     72
学生10    60
dtype: int32
print('平均分:', scores.mean())
print('最高分:', scores.max())
print('最低分:', scores.min())
print('高于平均分的人数:', scores[scores > scores.mean()].count())

输出：

平均分: 73.7
最高分: 92
最低分: 57
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。

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


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

输出：

超30℃天数: 3
平均温度: 30.0
周日    33
周四    32
周二    31
周五    30
周三    29
周一    28
周六    27
dtype: int64
# 计算温度变化最大的两天
# 原始温度: 28  31  29  32  30  27  33
# 相邻差:   nan  3  -2   3  -2  -3   6
t3 = temperatures.diff().abs()
print('温度变化最大的2天:', t3.sort_values(ascending=False).index[:2].tolist())

输出：

温度变化最大的2天: ['周日', '周二']

分析过程：

  1. diff()：计算相邻两天的温差。
  2. abs()：取绝对值，获取变化幅度（不分正负）。
  3. sort_values(ascending=False)：按变化幅度降序排列。
  4. 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。

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

输出：

2023-01-01    102.3
2023-01-02    103.5
2023-01-03    105.1
2023-01-04    104.8
2023-01-05    106.2
2023-01-06    107.0
2023-01-07    106.5
2023-01-08    108.1
2023-01-09    109.3
2023-01-10    110.2
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。

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

输出：

2023-01-01         NaN
2023-01-02    0.011730
2023-01-03    0.015459
2023-01-04   -0.002854
2023-01-05    0.013359
2023-01-06    0.007533
2023-01-07   -0.004673
2023-01-08    0.015023
2023-01-09    0.011101
2023-01-10    0.008234
Freq: D, dtype: float64

第一天为 NaN，因为没有前一天的数据可供计算。

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

输出：

收益率最高的日期: 2023-01-03 00:00:00
收益率最低的日期: 2023-01-07 00:00:00
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。

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

输出：

2022-01-01    120
2022-02-01    135
2022-03-01    145
2022-04-01    160
2022-05-01    155
2022-06-01    170
2022-07-01    180
2022-08-01    175
2022-09-01    190
2022-10-01    200
2022-11-01    210
2022-12-01    220
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：

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

输出：

2022-01-01    133.333333
2022-04-01    161.666667
2022-07-01    181.666667
2022-10-01    210.000000
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：

print(sales.pct_change())

输出：

2022-01-01         NaN
2022-02-01    0.125000
2022-03-01    0.074074
2022-04-01    0.103448
2022-05-01   -0.031250
2022-06-01    0.096774
2022-07-01    0.058824
2022-08-01   -0.027778
2022-09-01    0.085714
2022-10-01    0.052632
2022-11-01    0.050000
2022-12-01    0.047619
Freq: MS, dtype: float64

连续增长超过 2 个月的月份（滑动窗口算法）：

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

输出：

[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：

  1. pct_change()：计算逐月环比增长率。
  2. > 0：生成布尔 Series，标记增长（True）或下降（False）。
  3. 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。
  4. == 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。

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

输出：

2025-01-01 00:00:00    52
2025-01-01 01:00:00    93
2025-01-01 02:00:00    15
2025-01-01 03:00:00    72
2025-01-01 04:00:00    61
2025-01-01 05:00:00    21
2025-01-01 06:00:00    83
2025-01-01 07:00:00    87
2025-01-01 08:00:00    75
2025-01-01 09:00:00    75
2025-01-01 10:00:00    88
2025-01-01 11:00:00    24
2025-01-01 12:00:00     3
2025-01-01 13:00:00    22
2025-01-01 14:00:00    53
2025-01-01 15:00:00     2
2025-01-01 16:00:00    88
2025-01-01 17:00:00    30
2025-01-01 18:00:00    38
2025-01-01 19:00:00     2
2025-01-01 20:00:00    64
2025-01-01 21:00:00    60
2025-01-01 22:00:00    21
2025-01-01 23:00:00    33
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：

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

输出：

2025-01-01    1162
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()

下一节我们将学习 DataFrame 的介绍和创建。

数据分析

连载中

第 16 篇，共 21 篇本文属于系列

数据分析｜Series案例
https://luq-blog.xyz/posts/2026-07-03-data-notes-16-series-cases/
作者
Luquiescene
发布于
2026-07-03
许可协议
CC BY-NC-SA 4.0

分享文章

生成精美分享图或复制链接，与更多人分享本文。

继续阅读

沿着主题读

基于共同的标签与分类

换条路线

从其他文章中稳定抽取

评论

正在加载评论...

最后更新于 ，距今已过 93 天

部分内容可能已过时

数据分析｜Series的常用方法
数据分析｜比较函数