4. Pandas基础：Series与DataFrame的创建、数据读取与预览

做量化分析，说白了就是跟数据打交道。而Pandas，就是咱们手里最顺手的工具。我刚开始接触量化的时候，面对一堆CSV文件，头都是大的。后来发现，只要把Pandas的Series和DataFrame搞明白，后面的事情就顺了。

这一章，咱们就聊聊这两个核心数据结构。别怕，其实很简单。

4.1 认识Series：一维数据的好帮手

Series，你可以把它想象成一个带标签的列表。每个数据都有一个对应的索引，就像Excel里的一列数据，但比那灵活多了。

创建Series

最直接的方式，就是从列表创建：

import pandas as pd

# 从列表创建Series
s = pd.Series([100, 200, 300, 400, 500])
print(s)

输出结果会显示索引（左边）和值（右边）。默认索引是从0开始的整数。

但咱们做机构持仓分析，索引往往是有意义的。比如用股票代码做索引：

# 指定索引
s = pd.Series([100, 200, 300], index=['000001.SZ', '600001.SH', '300001.SZ'])
print(s)

从字典创建

字典的键会自动变成索引：

# 从字典创建
data = {'贵州茅台': 1850.50, '五粮液': 168.20, '泸州老窖': 220.30}
s = pd.Series(data)
print(s)

嗯，这里要注意：字典是无序的，但Series会保持你传入的顺序。

4.2 DataFrame：二维表格的核心

DataFrame才是咱们真正的主力。它就像一张Excel表格，有行有列。每一列可以看作一个Series。

创建DataFrame

最常用的方式是从字典创建，每个键是一列：

# 创建DataFrame
data = {
    '股票代码': ['000001.SZ', '600001.SH', '300001.SZ'],
    '股票名称': ['平安银行', '浦发银行', '宁德时代'],
    '收盘价': [12.50, 8.30, 450.00],
    '持仓市值': [1250000, 830000, 45000000]
}
df = pd.DataFrame(data)
print(df)

你看，这样数据就结构化了。每一行是一只股票，每一列是一个属性。

从列表嵌套创建

有时候数据是从API接口拿到的，是列表嵌套列表的形式：

# 从列表嵌套创建
data = [
    ['000001.SZ', '平安银行', 12.50],
    ['600001.SH', '浦发银行', 8.30],
    ['300001.SZ', '宁德时代', 450.00]
]
df = pd.DataFrame(data, columns=['股票代码', '股票名称', '收盘价'])
print(df)

4.3 数据读取：CSV和Excel

实际工作中，数据很少手动输入。大部分是从CSV或Excel文件读取的。

读取CSV文件

这是最常用的方式。机构持仓数据很多都是CSV格式：

# 读取CSV文件
df = pd.read_csv('fund_holdings.csv')
print(df.head())

但CSV文件经常有坑。我曾经遇到过编码问题，文件明明是UTF-8编码，但读出来全是乱码。后来我养成了一个习惯：

# 指定编码，避免乱码
df = pd.read_csv('fund_holdings.csv', encoding='utf-8')

# 如果还不行，试试gbk
# df = pd.read_csv('fund_holdings.csv', encoding='gbk')

读取Excel文件

有些数据源喜欢用Excel格式。读取Excel需要安装 openpyxl 或 xlrd 库：

# 读取Excel文件
df = pd.read_excel('fund_holdings.xlsx', sheet_name='Sheet1')
print(df.head())

Excel文件里经常有多个sheet。我一般会先看看有哪些sheet：

# 查看所有sheet名称
xls = pd.ExcelFile('fund_holdings.xlsx')
print(xls.sheet_names)

4.4 数据预览与基本信息查看

数据读进来了，第一件事不是急着分析，而是先看看数据长什么样。

查看前几行

# 查看前5行
print(df.head())

# 查看后5行
print(df.tail())

# 指定行数
print(df.head(10))

查看基本信息

# 查看数据信息
print(df.info())

info() 会告诉你：有多少行、多少列、每列的数据类型、有没有缺失值。这个函数我几乎每天都会用。

查看统计摘要

# 查看数值列的统计信息
print(df.describe())

这会显示每列的数量、均值、标准差、最小值、最大值等。对于发现异常值很有帮助。

查看列名和索引

# 查看列名
print(df.columns)

# 查看索引
print(df.index)

# 查看数据形状
print(df.shape)

shape 返回一个元组 (行数, 列数)。比如 (1000, 10) 表示1000行10列。

4.5 知识体系总览

为了让你更直观地理解这一章的内容，我画了一张图：

这张图把这一章的知识点串起来了。从数据结构（Series和DataFrame）出发，到数据读取（CSV和Excel），再到数据预览（head、info、describe等），最后是创建方式和常用操作。你想想看，是不是一目了然？

4.6 实战小贴士

最后，分享几个我在项目中积累的小经验：

• 数据读取后先检查：用 df.info() 看看有没有缺失值，数据类型对不对。我遇到过日期列被读成字符串的情况，后面做时间序列分析时才发现，浪费了不少时间。
• 列名规范化：CSV文件里的列名可能有空格、特殊字符。我习惯用 df.columns = df.columns.str.strip() 去掉空格，再用 df.rename() 改成统一的命名风格。
• 大文件处理：如果CSV文件很大（比如几百万行），用 pd.read_csv('file.csv', chunksize=10000) 分块读取，避免内存溢出。
• Excel多sheet：如果Excel文件有多个sheet，用 pd.read_excel('file.xlsx', sheet_name=None) 一次性读取所有sheet，返回一个字典。

好了，这一章的内容就到这里。记住，Pandas就像一把瑞士军刀，Series和DataFrame就是最常用的两个刀片。多用几次，自然就熟练了。