Pandas Series：管理单只股票收盘价

小象实战讲义 · 量化交易Python入门：从咖啡馆到华尔街

Pandas 是量化交易员最核心的武器。本章你将通过 Series 和 DataFrame 深度处理时间序列行情数据，掌握 loc/iloc 定位筛选、缺失值与重复值清洗、以及最大回撤与年化波动率等核心指标统计计算。

💡 核心导读

Series 是 Pandas 中最基础的一维数据结构，相当于带标签的增强版数组。本节将深入讲解 Series 的核心特性和操作方法，包括：

• 理解 Series 的索引机制与数据存储原理
• 掌握 Series 的创建、访问和修改操作
• 熟练使用 Series 的常用属性和方法
• 实现 Series 与其它数据结构的相互转换 通过本节学习，您将能够高效处理一维带标签数据，为后续 DataFrame 学习打下坚实基础。

核心概念解析

Series 数据结构

Series 由两个核心部分组成：

1. 值数组：存储实际数据的 NumPy 数组
2. 索引：与值数组对应的标签序列

索引 -> 值
---------
A    -> 10
B    -> 20
C    -> 30

创建 Series

import pandas as pd
import numpy as np

s1 = pd.Series([1, 3, 5, np.nan], index=['a', 'b', 'c', 'd'])
s2 = pd.Series({'苹果公司': 2154, '谷歌公司': 2424, '亚马逊': 1868})
s3 = pd.Series(5, index=list(range(4)))

print("s1:")
print(s1)
print("\ns2:")
print(s2)
print("\ns3:")
print(s3)

s1:
a    1.0
b    3.0
c    5.0
d    NaN
dtype: float64

s2:
苹果公司    2154
谷歌公司    2424
亚马逊     1868
dtype: int64

s3:
0    5
1    5
2    5
3    5
dtype: int64

关键操作演练

数据访问与修改

import pandas as pd
import numpy as np

temps = pd.Series([22.3, 24.1, 19.8, 21.5], 
                 index=['周一', '周二', '周三', '周四'])

print(temps.iloc[0])  # 输出: 22.3
print(temps['周三'])  # 输出: 19.8
print(temps[temps > 22])  

temps['周二'] = 25.6
print("\n修改后的 temps:")
print(temps)

22.3
19.8
周一    22.3
周二    24.1
dtype: float64

修改后的 temps:
周一    22.3
周二    25.6
周三    19.8
周四    21.5
dtype: float64

常用属性和方法

import pandas as pd
import numpy as np

temps = pd.Series([22.3, 24.1, 19.8, 21.5], 
                 index=['周一', '周二', '周三', '周四'])

print(f"值数组: {temps.values}")
print(f"索引: {temps.index}")
print(f"形状: {temps.shape}")

print(f"平均值: {temps.mean():.2f}")
print(f"最大值: {temps.max()}")

s = pd.Series([1, np.nan, 3])
print("\n缺失值填充:")
print(s.fillna(0))  # 缺失值填充为0

值数组: [22.3 24.1 19.8 21.5]
索引: Index(['周一', '周二', '周三', '周四'], dtype='str')
形状: (4,)
平均值: 21.93
最大值: 24.1

缺失值填充:
0    1.0
1    0.0
2    3.0
dtype: float64

数据结构转换

与其它结构互转

import pandas as pd
import numpy as np

temps = pd.Series([22.3, 24.1, 19.8, 21.5], 
                 index=['周一', '周二', '周三', '周四'])

arr = temps.to_numpy()
temp_dict = temps.to_dict()
new_series = pd.Series(temp_dict)

print("原始 Series:")
print(temps)
print("\n转换后的字典:")
print(temp_dict)
print("\n转换后的 NumPy 数组:")
print(arr)
print("\n从字典重建的 Series:")
print(new_series)

原始 Series:
周一    22.3
周二    24.1
周三    19.8
周四    21.5
dtype: float64

转换后的字典:
{'周一': 22.3, '周二': 24.1, '周三': 19.8, '周四': 21.5}

转换后的 NumPy 数组:
[22.3 24.1 19.8 21.5]

从字典重建的 Series:
周一    22.3
周二    24.1
周三    19.8
周四    21.5
dtype: float64

📝 动手练一练

第 1 题 · 概念应用

假设你正在分析一个由三只股票（AAPL, MSFT, GOOGL）过去一周的日收益率构成的 Series returns，其索引为日期。你执行了以下操作：

import pandas as pd

returns = pd.Series([0.01, -0.02, 0.015],
                    index=['2024-01-02', '2024-01-03', '2024-01-04'])
try:
    returns.index[1] = '2024-01-09'
except TypeError as e:
    print(f"如预期抛出 TypeError: {e}")

如预期抛出 TypeError: Index does not support mutable operations

关于这段代码及其结果，以下哪项描述是正确的？

• A. 代码会成功执行，并将索引中的第二个日期修改为 '2024-01-09'。
• B. 代码会抛出 TypeError 异常，因为 Series 的 values 数组是不可变的。
• C. 代码会抛出 TypeError 异常，因为 Series 的 index 对象是不可变的。
• D. 代码会成功执行，但修改不会生效，因为需要将修改后的索引重新赋值给 returns.index。

第 2 题 · 代码填空

在计算投资组合的日收益率时，你拿到的某只股票日收盘价序列中，有一天因停牌没有成交、收盘价缺失（NaN）。停牌期间该股票无法交易，合理的处理是让缺失日的价格沿用前一个交易日的收盘价（这样补出的当日收益率自然为 0），再计算日收益率。请补全以下代码：

import pandas as pd
import numpy as np

# 模拟投资组合某只股票的日收盘价序列，索引为交易日（第3天停牌无收盘价）
close_prices = pd.Series([100.0, 100.5, np.nan, 101.0, 101.2],
                         index=['2024-01-02', '2024-01-03', '2024-01-04', '2024-01-05', '2024-01-08'])

# 用前一个交易日的收盘价前向填充停牌日
filled_prices = close_prices.______()

print("填充后的收盘价:")
print(filled_prices)
print("\n基于填充价格计算的日收益率:")
print(filled_prices.pct_change().round(4))

import pandas as pd
import numpy as np

# 模拟投资组合某只股票的日收盘价序列，索引为交易日（第3天停牌无收盘价）
close_prices = pd.Series([100.0, 100.5, np.nan, 101.0, 101.2],
                         index=['2024-01-02', '2024-01-03', '2024-01-04', '2024-01-05', '2024-01-08'])

# 用前一个交易日的收盘价前向填充停牌日
filled_prices = close_prices.ffill()

print("填充后的收盘价:")
print(filled_prices)
print("\n基于填充价格计算的日收益率:")
print(filled_prices.pct_change().round(4))

填充后的收盘价:
2024-01-02    100.0
2024-01-03    100.5
2024-01-04    100.5
2024-01-05    101.0
2024-01-08    101.2
dtype: float64

基于填充价格计算的日收益率:
2024-01-02      NaN
2024-01-03    0.005
2024-01-04    0.000
2024-01-05    0.005
2024-01-08    0.002
dtype: float64

本章小结

📋 行动清单

• 创建一个包含5个股票标的主力买入额值的Series，练习使用位置索引和标签索引访问数据
• 使用布尔索引筛选出温度Series中高于平均值的数据点
• 将包含资产收益率的字典转换为Series，并计算平均分和最高分

—— 小象教研组