### 数据框与序列的定义 数据框（DataFrame）是一种二维表格型的数据结构，它由行和列组成，每一列可以存储不同类型的数值。这种灵活性使得 DataFrame 成为数据分析中最常用的数据结构之一[^1]。在 Python 的 Pandas 库中，DataFrame 是一种类似于电子表格或 SQL 表格的对象。 序列（Series）是一维标记数组，能够保存任意类型的数据（整数、字符串、浮点数等）。它是 Pandas 中最基本的数据结构，可以看作是一个固定长度的字典或者一维数组。 --- ### 数据框与序列在数据处理中的应用 #### 1. **分组聚合** 通过 `groupby` 方法，可以根据指定的关键字段对数据进行分组并执行聚合操作。例如，按照 '站点编号' 和 '日期' 对数据分组，并计算每组的 '进站人数' 和 '出站人数' 总和： ```python import pandas as pd # 创建示例数据框 data = { '站点编号': ['A', 'B', 'A', 'B'], '日期': ['2023-01-01', '2023-01-01', '2023-01-02', '2023-01-02'], '进站人数': [10, 20, 30, 40], '出站人数': [5, 10, 15, 20] } df = pd.DataFrame(data) # 按照 '站点编号' 和 '日期' 进行分组，并求和 result = df.groupby(['站点编号', '日期']).agg({'进站人数': 'sum', '出站人数': 'sum'}) print(result) ``` 上述代码展示了如何利用 DataFrame 来实现复杂的数据分组和统计功能。 #### 2. **筛选与过滤** 可以通过布尔索引来筛选满足特定条件的数据。例如，选出所有 '进站人数' 超过 20 的记录： ```python filtered_df = df[df['进站人数'] > 20] print(filtered_df) ``` #### 3. **序列的操作** 对于 Series 类型的数据，可以直接对其进行算术运算或其他操作。例如，创建一个新的序列表示 '净流量'（即 '进站人数' 减去 '出站人数'）： ```python net_flow = df['进站人数'] - df['出站人数'] print(net_flow) ``` --- ### 在线实验闯关教程或指导 为了更好地掌握数据框和序列的相关技能，建议尝试以下在线平台上的练习任务： 1. Kaggle Kernels 提供丰富的实战案例，用户可以在平台上直接运行代码并提交结果。 2. DataCamp 提供交互式的课程，专注于 Pandas 及其在数据科学中的应用。 3. Google Colab 或 Jupyter Notebook 是免费的云端环境，适合初学者快速上手。 以下是基于 Pandas 的简单闯关题目设计： 1. 加载 CSV 文件到 DataFrame 并查看前几行数据。 2. 计算某列的最大值、最小值和平均值。 3. 实现多级分组并对各组数据进行汇总统计。 4. 将两个 DataFrame 合并成一个完整的表。 ---