Series的索引操作

小象实战讲义 · Python数据分析实战

在上一节中，我们学习了Pandas的三个核心数据结构：Series、DataFrame和Index。你已经掌握了如何通过索引获取单个数据。本节我们将深入探讨Series的索引操作，学习如何获取连续的数据片段，甚至是不连续的数据点，从而实现灵活的数据筛选。

💡 核心导读

• 行索引回顾：用标签名访问单个元素、用 .iloc[] 按整数位置访问。
• 切片索引：获取连续的数据片段，理解按位置切片与按标签切片的关键区别。
• 不连续索引：通过列表同时获取多个不连续的数据点。
• 代码实践：通过独立、可运行的代码块，亲手验证每种索引方式的结果。

行索引快速回顾

我们已经知道，可以通过方括号 [] 对Series进行索引。pandas 3.0 起 [] 已统一为「只按标签查找」，因此访问单个元素的方式是：

1. 使用索引标签（label）：传入与索引对应的字符串。
2. 按整数位置（position）访问：请使用 .iloc[]——旧版 pandas 中 s[整数] 会”回退”到位置查找，pandas 3.0 起已移除该回退，字符串索引下 s[1] 会抛 KeyError（上一节已实测演示）。

对应地：.loc[] 用于标签索引，.iloc[] 用于整数位置索引。在代码中显式使用 .loc 和 .iloc，是意图最清晰、也不会踩版本坑的写法。

让我们通过代码快速回顾并构建本节的基础示例数据。

import pandas as pd
import numpy as np

# 构建一个示例Series
# 数据为0,1,2,3,4，对应的索引标签为'a','b','c','d','e'
ser_obj = pd.Series(range(5), index=['a', 'b', 'c', 'd', 'e'])
print("原始Series:")
print(ser_obj)

原始Series:
a    0
b    1
c    2
d    3
e    4
dtype: int64

切片索引：获取连续数据

切片索引允许我们获取Series中一段连续的数据，类似于Python列表的切片操作。其语法为 ser_obj[start:stop]。

按整数位置切片

当 start 和 stop 是整数时，其行为与Python列表完全一致：包含起始位置，不包含结束位置。（注意一个容易混淆的边界：整数切片 s[1:3] 在 pandas 3.0 中仍然按位置处理；被移除位置回退的是标量整数查找 s[1] 和整数列表 s[[0,2]]。）

import pandas as pd

# 重新构建示例Series，确保代码块独立
ser_obj = pd.Series(range(5), index=['a', 'b', 'c', 'd', 'e'])

# 按整数位置切片：从位置1开始，到位置3之前结束（即位置1和2）
slice_by_pos = ser_obj[1:3]
print("按位置切片 ser_obj[1:3]:")
print(slice_by_pos)
print("\n等价于使用 .iloc[1:3]:")
print(ser_obj.iloc[1:3])

按位置切片 ser_obj[1:3]:
b    1
c    2
dtype: int64

等价于使用 .iloc[1:3]:
b    1
c    2
dtype: int64

结果包含了索引 'b'（位置1）和 'c'（位置2），但不包含 'd'（位置3）。

按索引标签切片

当 start 和 stop 是索引标签字符串时，Pandas的切片行为有一个重要区别：它同时包含起始标签和终止标签。

import pandas as pd

# 重新构建示例Series
ser_obj = pd.Series(range(5), index=['a', 'b', 'c', 'd', 'e'])

# 按索引标签切片：从标签'b'开始，到标签'd'结束
slice_by_label = ser_obj['b':'d']
print("按标签切片 ser_obj['b':'d']:")
print(slice_by_label)
print("\n等价于使用 .loc['b':'d']:")
print(ser_obj.loc['b':'d'])

按标签切片 ser_obj['b':'d']:
b    1
c    2
d    3
dtype: int64

等价于使用 .loc['b':'d']:
b    1
c    2
d    3
dtype: int64

可以看到，结果包含了 'b'、'c' 和 'd' 三个标签对应的数据。这是与按位置切片最核心的不同点，务必牢记。

不连续索引：获取多个指定数据

有时我们需要获取的数据点不是连续的，而是分散的。这时，可以在方括号 [] 内传入一个列表（list）——但列表元素应是索引标签（pandas 3.0 起 [] 只按标签查找，整数列表不再回退为位置，按位置取多个点请用 .iloc[[..]]，本节代码就是这么写的）。

import pandas as pd

# 重新构建示例Series
ser_obj = pd.Series(range(5), index=['a', 'b', 'c', 'd', 'e'])

# 1. 使用整数位置列表进行不连续索引
pos_index_result = ser_obj.iloc[[0, 2, 4]] # 使用.iloc访问器按位置列表索引
print("使用位置列表 ser_obj.iloc[[0, 2, 4]]:")
print(pos_index_result)

# 2. 使用索引标签列表进行不连续索引
label_index_result = ser_obj[['b', 'd']] # 直接使用标签列表索引
print("\n使用标签列表 ser_obj[['b', 'd']]:")
print(label_index_result)

使用位置列表 ser_obj.iloc[[0, 2, 4]]:
a    0
c    2
e    4
dtype: int64

使用标签列表 ser_obj[['b', 'd']]:
b    1
d    3
dtype: int64

通过列表索引，我们成功地跳着取出了位置0、2、4（标签a、c、e）的数据，以及标签b和d的数据。

📝 动手练一练

1. 概念辨析：对于同一个Series ser = pd.Series([10, 20, 30, 40], index=['w', 'x', 'y', 'z'])，表达式 ser['x':'y'] 和 ser[1:3] 返回的结果分别是什么？它们包含的数据项数量相同吗？为什么？

2. 代码实践：创建一个关于水果价格的Series：price = pd.Series([3.5, 2.8, 4.2, 5.0, 3.0], index=['苹果', '香蕉', '橙子', '葡萄', '芒果'])。请使用不连续索引，一次性取出“香蕉”、“葡萄”和“芒果”的价格。分别用标签列表和位置列表两种方式实现。

import pandas as pd
price = pd.Series([3.5, 2.8, 4.2, 5.0, 3.0], index=['苹果', '香蕉', '橙子', '葡萄', '芒果'])

# 方法1：使用标签列表
selected_by_label = price[['香蕉', '葡萄', '芒果']]
print("使用标签列表选取:")
print(selected_by_label)

# 方法2：使用位置列表（香蕉在位置1，葡萄在3，芒果在4）
selected_by_pos = price.iloc[[1, 3, 4]]
print("\n使用位置列表选取:")
print(selected_by_pos)

使用标签列表选取:
香蕉    2.8
葡萄    5.0
芒果    3.0
dtype: float64

使用位置列表选取:
香蕉    2.8
葡萄    5.0
芒果    3.0
dtype: float64

本章小结

本节我们深入学习了Series的三种索引操作，这是灵活操作Pandas数据的基石。

📋 行动清单

• 掌握切片的核心区别：亲口复述“按位置切片不包含结束位，按标签切片包含结束位”。
• 独立运行示例代码：在Jupyter Notebook或Python脚本中，亲手输入并运行本节的所有代码块，观察输出，确保理解。
• 尝试改编：将示例中的数据和索引标签换成你自己设想的一组数据（如城市与温度、月份与销售额），再次练习三种索引操作。

—— 小象教研组