4、Pandas数据结构：Series与DataFrame创建、数据查看与描述性统计、索引操作与层级索引、数据筛选与条件过滤
好，咱们进入第四章。说实话，Pandas 是数据科学家的吃饭家伙，就像厨师的菜刀一样。你想想看，没有它，你连数据长什么样都看不清。这一章我带你亲手把数据结构搭起来，再学会怎么翻来覆去地看它、查它、筛它。
4.1 Series 与 DataFrame 的创建
先聊 Series。它就是一列数据，带个索引。你可以把它想象成 Excel 里的一列，但比那灵活多了。
import pandas as pd
# 从列表创建 Series
s = pd.Series([10, 20, 30, 40], index=['a', 'b', 'c', 'd'])
print(s)
输出长这样：
a 10
b 20
c 30
d 40
dtype: int64
我个人习惯用字典创建 Series，因为键就是索引，直观：
data = {'张三': 85, '李四': 92, '王五': 78}
s = pd.Series(data)
print(s)
再来看 DataFrame。它是二维的，说白了就是一张表。行有行索引，列有列名。
df = pd.DataFrame({
'姓名': ['张三', '李四', '王五'],
'年龄': [25, 30, 28],
'城市': ['北京', '上海', '广州']
})
print(df)
小技巧： 我在项目中遇到过，从 CSV 读数据时经常列名带空格。用
pd.read_csv('file.csv') 后，记得加个 df.columns = df.columns.str.strip()，否则后面筛选会踩坑。
4.2 数据查看与描述性统计
拿到数据第一件事是什么？不是建模，是看数据长什么样。我一般三步走：
- 看头看尾：
df.head()看前5行，df.tail()看后5行。数据量大时别傻乎乎全打印。 - 看基本信息：
df.info()告诉你每列类型、非空数量。嗯，这里要注意，如果某列非空数少于总行数，说明有缺失值。 - 看统计摘要：
df.describe()直接给出数值列的均值、标准差、四分位数等。
print(df.head(3))
print(df.info())
print(df.describe())
为什么会这样设计？因为数据科学家 80% 的时间都在清洗和理解数据，真正建模只占 20%。你想想看，连数据分布都不清楚，模型能靠谱吗？
重点：
describe() 默认只统计数值列。如果想看所有列，加个 include='all' 参数。我曾经因为没加这个参数，漏掉了分类变量的频次信息，导致后续特征工程做错了方向。
4.3 索引操作与层级索引
索引是 Pandas 的灵魂。我刚开始学的时候，总觉得索引不就是行号吗？后来才发现，它远不止如此。
基本索引：
df['列名']取一列，返回 Seriesdf[['列1', '列2']]取多列，返回 DataFramedf.loc[行标签]按标签取行df.iloc[行位置]按位置取行
# 按标签取
print(df.loc[0]) # 取第一行（标签为0的行）
# 按位置取
print(df.iloc[1]) # 取第二行
层级索引（MultiIndex）： 这个有点高级，但实战中非常有用。比如你有多个年份、多个产品的销售数据，用层级索引可以轻松分组。
# 创建层级索引
index = pd.MultiIndex.from_tuples([
('2023年', '产品A'),
('2023年', '产品B'),
('2024年', '产品A'),
('2024年', '产品B')
], names=['年份', '产品'])
df_multi = pd.DataFrame({
'销量': [100, 150, 120, 180],
'收入': [10000, 15000, 12000, 18000]
}, index=index)
print(df_multi)
输出：
销量 收入
年份 产品
2023年 产品A 100 10000
产品B 150 15000
2024年 产品A 120 12000
产品B 180 18000
避坑指南： 我曾经在层级索引上栽过跟头。用
df.loc['2023年'] 取数据时，返回的是所有 2023 年的行，但如果你再用 df.loc['2023年', '产品A']，它返回的是单个值。层级索引的切片规则和普通索引不一样，建议先 df.sort_index() 排序，否则切片会报错。
4.4 数据筛选与条件过滤
筛选数据，说白了就是「我要哪些行、哪些列」。Pandas 的布尔索引非常强大，我几乎每天都在用。
单条件筛选：
# 筛选年龄大于25的人
df_filter = df[df['年龄'] > 25]
print(df_filter)
多条件筛选： 用 &（与）、|（或）、~（非）。注意每个条件要加括号。
# 年龄大于25且城市是上海
df_filter = df[(df['年龄'] > 25) & (df['城市'] == '上海')]
print(df_filter)
用 isin 筛选多个值：
# 筛选城市为北京或广州的人
df_filter = df[df['城市'].isin(['北京', '广州'])]
print(df_filter)
用 query 方法： 我个人觉得 query 更简洁，尤其条件多的时候。
df_filter = df.query('年龄 > 25 and 城市 == "上海"')
print(df_filter)
经验之谈： 我建议你养成用
.copy() 的习惯。比如 df_filter = df[df['年龄'] > 25].copy()。为什么？因为直接切片返回的是视图，修改它可能会影响原数据。我曾经因为这个 bug 排查了一下午，后来再也不敢偷懒了。
好了，这一章的内容就这些。你想想看，从创建数据到查看、索引、筛选，是不是已经能处理大部分日常数据操作了？下一章我们聊数据清洗，那才是真正的「脏活累活」。但别怕，有我在前面踩过坑，你只管跟着走就行。