根据您提供的图片内容，这看起来是使用 Python 的 **Pandas** 库进行 `Series` 对象操作（创建、索引、运算）的实验结果。 以下是能够复现图中输出效果的完整代码： ```python import pandas as pd import numpy as np # --- 准备数据 (对应图中的 s1, s2, s3) --- # s1: 索引为 a-e, 值为 1-5 s1 = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e']) # s2: 索引为国家名, 值为数值 (注意：图中有拼写错误 "Ghaha"，代码中保持一致) s2 = pd.Series([100, 200, 300, 400], index=['USA', 'Nigeria', 'France', 'Ghaha']) # s3: 索引为 a-d, 值为 50, 60, 70, 80 s3 = pd.Series([50, 60, 70, 80], index=['a', 'b', 'c', 'd']) # --- 输出部分 1: 打印 s1 --- print("===1===") print(s1) # --- 输出部分 2: 打印 s2 --- print("===2===") print(s2) # --- 输出部分 3: 打印 s3 --- print("===3===") print(s3) # --- 输出部分 4: 演示切片/重排 (对应图中 ===4===) # 逻辑：取 s2 的部分元素并重新排序，模拟图中显示的顺序 # 图中显示顺序为: USA, France, Nigeria, France, Ghaha # 代码实现：选取特定索引并拼接 s2_part = s2[['USA', 'France']] s2_rest = s2[['Nigeria', 'France', 'Ghaha']] s4_display = pd.concat([s2_part, s2_rest]) print("===4===") print(s4_display) # --- 输出部分 5: 演示切片 (对应图中 ===5===) # 逻辑：从 s3 中选取 c 和 d print("===5===") print(s3[['c', 'd']]) # --- 输出部分 6: 运算 s1 + s3 (对应图中 ===6===) # 逻辑：Pandas 会自动对齐索引。 # a, b, c, d 都有值，相加。 # e 在 s3 中不存在，结果为 NaN (Not a Number)，数据类型自动变为 float64 print("===6===") print(s1 + s3) ``` ### 代码运行结果分析： 这段代码将完全按照您图片中的格式输出： 1. **===1===**: 输出了 Series `s1`。 2. **===2===**: 输出了 Series `s2`。 3. **===3===**: 输出了 Series `s3`。 4. **===4===**: 这是一个手动构造的输出，展示了 Series 可以通过索引列表来选取和重新排列数据（例如选取了两次 "France"）。 5. **===5===**: 展示了如何通过列表 `['c', 'd']` 选取 `s3` 中的特定行。 6. **===6===**: 展示了 **Pandas 的核心特性——索引对齐**。 * `s1` 和 `s3` 相加时，Pandas 会根据索引标签（a, b, c...）进行匹配。 * 索引 `a` 到 `d` 在两个 Series 中都存在，所以直接相加（例如 `a`: 1+50=51.0）。 * 索引 `e` 只存在于 `s1` 中，`s3` 中没有，因此结果为缺失值 `NaN`。 * 因为出现了 `NaN`，整个 Series 的数据类型 (`dtype`) 从 `int64` 自动转换为了 `float64。