很多同学初学 Pandas，上来就直奔 DataFrame，却忽略了Series 才是 Pandas 的基础单元。Series 代表一维带标签序列，不管是成绩统计、温度监测、股票行情、月度销量、时序销售额，所有一维数据处理都离不开它。

今天整理 5 套完整实战案例，覆盖随机生成、统计指标、布尔筛选、差分计算、收益率、滚动窗口、时序重采样、时间筛选等高频操作，全部可直接运行，适合新手练手。

前置导入

import pandas as pd
import numpy as np

案例 1：学生成绩统计

需求：生成 10 名学生数学成绩 (50~100)，计算平均分、最高分、最低分，统计高于平均分人数 核心知识点：创建 Series、基础聚合统计、布尔索引筛选

# 创建成绩序列
values = np.random.randint(50,101,10)
indexes = [f"学生{i}" for i in range(1,11)]
scores = pd.Series(values, index=indexes)
print("学生成绩：")
print(scores)

# 基础统计
scores_mean = scores.mean()
print(f"\n平均分：{scores_mean:.2f}")
print(f"最高分：{scores.max()}")
print(f"最低分：{scores.min()}")

# 筛选高于平均分学生
above_mean = scores[scores > scores_mean]
print("\n高于平均分的学生：")
print(above_mean)
print(f"高于平均分人数：{len(above_mean)}")

技巧：series[条件]布尔索引是最高效的筛选方式，优先不要使用 np.where 迂回计数。

案例 2：城市一周气温分析

需求：筛选超 30℃天数、平均温度、温度排序、寻找相邻两天温差最大的时段 核心知识点：diff()相邻差值、绝对值、索引操作、排序

tempers = pd.Series([28,31,29,32,30,27,33],
                    index=['周一','周二','周三','周四','周五','周六','周日'])
print("一周气温：")
print(tempers)

print(f"\n温度超过30度天数：{tempers[tempers>30].count()}")
print(f"平均温度：{tempers.mean():.2f}")
print("\n温度从高到低排序：")
print(tempers.sort_values(ascending=False))

# 计算相邻两日温差绝对值
diff_abs = tempers.diff().abs()
max_diff_val = diff_abs.max()
# 温差最大当天
max_day = diff_abs.dropna().idxmax()
pos = tempers.index.get_loc(max_day)
prev_day = tempers.index[pos-1]
print(f"\n温度变化最大两天：{prev_day} → {max_day}，温差：{max_diff_val}")

案例 3：股票连续交易日收盘价分析

需求：计算每日收益率、查找收益最高 / 最低日期、计算波动率（收益率标准差） 核心知识点：pct_change()收益率、idxmax/idxmin、时序索引

prices = pd.Series([102.3, 103.5, 105.1, 104.8, 106.2, 107.0, 106.5, 108.1,109.3, 110.2], 
                   index=pd.date_range('2023-01-01', periods=10))
print("股票收盘价序列：")
print(prices)

# 每日收益率
day_rate = prices.pct_change().dropna()
print("\n每日收益率：")
print(day_rate)

print(f"收益率最高日期：{day_rate.idxmax()}")
print(f"收益率最低日期：{day_rate.idxmin()}")
print(f"收益率波动率(标准差)：{day_rate.std():.4f}")

金融常用小知识：pct_change()一步算出涨跌幅，波动率直接用收益率 std。

案例 4：12 个月产品销量时序分析

需求：季度平均销量、销量最高月份、月环比增长率、查找连续 3 个月增长月份 核心知识点：resample时序重采样、rolling滚动窗口

sales = pd.Series([120, 135, 145, 160, 155, 170, 180, 175, 190, 200, 210, 220],
                  index=pd.date_range('2022-01-01', periods=12, freq='MS'))
print("月度销量：")
print(sales)

# 按季度重采样求平均
print("\n季度平均销量：")
print(sales.resample('QS').mean())

print(f"\n销量最高月份：{sales.idxmax()}，销量：{sales.max()}")

# 月环比增长率
month_growth = sales.pct_change()
print("\n月环比增长率：")
print(month_growth)

# 判断每月是否增长
is_grow = month_growth > 0
# 滚动窗口：连续3个月增长
consec_grow = is_grow.rolling(window=3).sum() == 3
target_months = sales[consec_grow].index
print("\n连续3个月增长的月份：")
print(list(target_months))

案例 5：商店逐小时销售额分析

需求：按日汇总销售额、区分营业 / 非营业时段销售额占比、找出销售额最高 3 小时 核心知识点：between_time时间筛选、nlargest取 TOPN、时间索引属性

hourly_sales = pd.Series(np.random.randint(0, 100, 24),
                         index=pd.date_range('2025-01-01', periods=24, freq='h'))
print("逐小时销售额：")
print(hourly_sales)

# 按天汇总总销售额
daily_total = hourly_sales.resample('D').sum()
print("\n每日总销售额：")
print(daily_total)

# 区分营业时间8:00-22:00
biz_sales = hourly_sales.between_time('08:00','22:00')
nobiz_sales = hourly_sales[~hourly_sales.index.isin(biz_sales.index)]
biz_sum = biz_sales.sum()
nobiz_sum = nobiz_sales.sum()
total_sum = hourly_sales.sum()

print(f"\n营业时间销售额：{biz_sum}，占比：{biz_sum/total_sum:.2%}")
print(f"非营业时间销售额：{nobiz_sum}，占比：{nobiz_sum/total_sum:.2%}")

# 销售额最高3个小时
top3_hour = hourly_sales.nlargest(3)
print("\n销售额最高3个时段：")
print(top3_hour)

学习总结（Series 核心常用方法清单）

1. 基础统计：mean() max() min() count() std()
2. 差值 / 涨跌幅：diff()、pct_change()
3. 筛选：布尔索引、nlargest()
4. 时序处理：resample()重采样、between_time()时间区间过滤
5. 滚动计算：rolling()移动窗口
6. 极值索引：idxmax()、idxmin()

练习建议

1. 先单独运行每个案例，观察输出结果；
2. 修改数值、随机种子、时间范围，自行改造需求；
3. 熟练 Series 之后，再学习 DataFrame，理解 “多列就是多个 Series 组合”。