4、Pandas数据处理（上）：Series与DataFrame基础、数据读取与写入、数据索引与选择

做量化研究，说白了就是跟数据打交道。你想想看，没有数据，再牛的策略也是空中楼阁。而Pandas，就是咱们处理这些数据的瑞士军刀。今天这一章，咱们先把最核心的几块骨头啃下来。

4.1 认识Pandas的两大核心：Series与DataFrame

Pandas里就两种数据结构，你记住就行：Series 和 DataFrame。

• Series：一维的，像Excel里的一列。有索引，有值。
• DataFrame：二维的，像整个Excel表格。有行索引，有列名。

我刚开始学的时候，总把DataFrame当成一个高级的二维数组。后来发现不对，它更像一个字典，每列可以有不同的数据类型。嗯，这个理解很重要。

4.1.1 创建Series

import pandas as pd

# 从列表创建
s1 = pd.Series([100, 200, 300, 400])
print(s1)

# 指定索引
s2 = pd.Series([100, 200, 300, 400], index=['a', 'b', 'c', 'd'])
print(s2)

# 从字典创建（键自动变成索引）
s3 = pd.Series({'平安银行': 12.5, '招商银行': 35.2, '兴业银行': 18.7})
print(s3)

我个人习惯用字典创建，因为键名就是索引，一眼就能看出数据含义。你在做回测时，用股票代码做索引，非常直观。

4.1.2 创建DataFrame

import pandas as pd

# 从字典创建（最常用）
data = {
    '股票代码': ['000001', '600036', '601166'],
    '收盘价': [12.5, 35.2, 18.7],
    '成交量': [1000000, 800000, 500000]
}
df = pd.DataFrame(data)
print(df)

# 指定行索引
df.index = ['股票A', '股票B', '股票C']
print(df)

我在项目中遇到过一个问题：从API拉回来的数据，列名全是英文，看着头疼。后来我习惯在创建DataFrame时直接指定中文列名，省得后面再改。

4.2 数据读取与写入

做量化，数据来源无非就几种：CSV文件、Excel文件、数据库、API。Pandas对前两种支持得特别好。

4.2.1 读取CSV文件

# 读取CSV
df = pd.read_csv('stock_data.csv')

# 常用参数
df = pd.read_csv(
    'stock_data.csv',
    encoding='utf-8',        # 编码，中文数据常用utf-8或gbk
    parse_dates=['日期'],     # 自动解析日期列
    index_col='日期',         # 指定日期列为行索引
    dtype={'股票代码': str}   # 指定列数据类型
)

4.2.2 读取Excel文件

# 读取Excel
df = pd.read_excel('stock_data.xlsx', sheet_name='Sheet1')

# 读取多个sheet
dfs = pd.read_excel('stock_data.xlsx', sheet_name=None)  # 返回字典
df_sheet1 = dfs['Sheet1']
df_sheet2 = dfs['Sheet2']

4.2.3 写入文件

# 写入CSV
df.to_csv('output.csv', encoding='utf-8-sig', index=False)

# 写入Excel
df.to_excel('output.xlsx', sheet_name='结果', index=False)

注意那个 utf-8-sig，如果你用Excel打开CSV发现中文乱码，八成是编码问题。加个BOM头（utf-8-sig）就能解决。

4.3 数据索引与选择

这部分是Pandas的精髓。你想想看，几千只股票，几年的数据，怎么快速找到你想要的那一行？

4.3.1 基础选择：[] 操作符

# 选择单列（返回Series）
close = df['收盘价']

# 选择多列（返回DataFrame）
subset = df[['股票代码', '收盘价']]

# 选择前5行
head = df[:5]

# 条件选择
high_volume = df[df['成交量'] > 1000000]

说白了，[] 里放列名就是选列，放切片就是选行。但有个坑：df['收盘价'] 返回的是Series，而 df[['收盘价']] 返回的是DataFrame。两者操作方式不一样，你写代码时要注意。

4.3.2 标签索引：loc

loc 是基于标签（行索引名、列名）的索引方式。我个人最喜欢用这个，因为直观。

# 选择单行
row = df.loc['2024-01-01']

# 选择多行
rows = df.loc['2024-01-01':'2024-01-10']

# 选择特定行和列
cell = df.loc['2024-01-01', '收盘价']

# 选择多行多列
subset = df.loc['2024-01-01':'2024-01-05', ['收盘价', '成交量']]

4.3.3 位置索引：iloc

iloc 是基于整数位置的索引。跟Python列表的索引方式一样。

# 选择第一行
row = df.iloc[0]

# 选择前3行
rows = df.iloc[:3]

# 选择第一行第一列
cell = df.iloc[0, 0]

# 选择前3行，第1、3列
subset = df.iloc[:3, [0, 2]]

为什么会有两个索引方式？我刚开始也觉得多余。后来发现，loc 适合按日期、股票代码这种有意义的标签来选数据；iloc 适合按位置循环遍历。两者各有用途。

4.3.4 布尔索引

这是量化分析中最常用的技巧。没有之一。

# 筛选涨幅超过5%的股票
df[df['涨跌幅'] > 0.05]

# 多条件筛选
df[(df['涨跌幅'] > 0.05) & (df['成交量'] > 1000000)]

# 使用isin筛选
codes = ['000001', '600036']
df[df['股票代码'].isin(codes)]

注意多条件时，每个条件要用括号括起来，用 &（与）、|（或）连接。不能用 and、or。这个坑我踩过好几次。

4.4 本章知识体系

下面这张图，帮你把本章的核心逻辑串起来：

这张图把本章的三个核心模块串起来了。你学完这一章，应该能做到：看到数据，知道该用Series还是DataFrame存；拿到文件，知道怎么读进来；读进来之后，知道怎么快速找到你要的数据。

---