好的！接下来，我会详细讲解如何对已经创建的 `Series` 对象和 `DataFrame` 对象进行索引操作。这是数据分析中非常重要的部分之一。 --- ### **一、针对 Series 对象的索引操作** 假设我们已经有了一个 `Series` 对象（参考之前的创建代码）。我们可以基于它的索引来提取数据。 #### 示例代码： ```python import pandas as pd # 创建一个 Series 对象 data = [10, 20, 30, 40] index = ['A', 'B', 'C', 'D'] series_obj = pd.Series(data=data, index=index) print("原始 Series:") print(series_obj) # 根据索引访问单个元素 element_A = series_obj['A'] print("\n通过索引'A'获取值:", element_A) # 获取多个连续或非连续元素 subset_elements = series_obj[['B', 'D']] print("\n通过多个索引['B', 'D']获取子集:") print(subset_elements) ``` #### 输出结果： ``` 原始 Series: A 10 B 20 C 30 D 40 dtype: int64 通过索引'A'获取值: 10 通过多个索引['B', 'D']获取子集: B 20 D 40 dtype: int64 ``` **注意点：** - 可以直接使用字符串形式的索引名来定位某个特定值。 - 支持同时选取多个索引对应的值，只需将目标索引放入列表即可。 --- ### **二、针对 DataFrame 对象的索引操作** 对于 `DataFrame` 而言，有多种方式进行索引操作，例如按列名、行索引等。 #### 示例代码： ```python import pandas as pd # 创建一个 DataFrame 对象 data_dict = {'姓名': ['张三', '李四', '王五'], '年龄': [25, 30, 35], '城市': ['北京', '上海', '广州']} df_obj = pd.DataFrame(data_dict) print("原始 DataFrame:") print(df_obj) # 按照列名访问某一列的数据 age_column = df_obj['年龄'] print("\n按照列名'年龄'获取该列的所有值:") print(age_column) # 同时选取多列 selected_columns = df_obj[['姓名', '城市']] print("\n同时选取'姓名'和'城市'两列:") print(selected_columns) # 使用 .loc[] 按照行和列位置精确筛选 specific_value = df_obj.loc[1, '城市'] # 第一行 ('李四') 所属的城市 print("\n第一行('李四')所属的城市:", specific_value) # 切片选取某几行数据 slice_rows = df_obj.iloc[:2] # 提取前两行数据 print("\n切片选取前两行数据:") print(slice_rows) ``` #### 输出结果： ``` 原始 DataFrame: 姓名 年龄 城市 0 张三 25 北京 1 李四 30 上海 2 王五 35 广州 按照列名'年龄'获取该列的所有值: 0 25 1 30 2 35 Name: 年龄, dtype: int64 同时选取'姓名'和'城市'两列: 姓名 城市 0 张三 北京 1 李四 上海 2 王五 广州 第一行('李四')所属的城市: 上海 切片选取前两行数据: 姓名 年龄 城市 0 张三 25 北京 1 李四 30 上海 ``` --- ### 总结 通过对 `Series` 和 `DataFrame` 的索引操作学习可知： - `Series` 主要是利用其自定义索引快速查找数据。 - `DataFrame` 更加复杂，既支持按列名访问又可以结合 `.loc[]`, `.iloc[]` 实现行列联合检索。 掌握这些基础技能有助于后续深入分析大规模真实世界中的数据集合。 ---