Pandas 数据结构深度解析：Series 与 DataFrame 的进阶技巧
1. 从基础到进阶：理解 Pandas 核心数据结构
很多数据分析师在掌握了 Pandas 的基础操作后，往往会陷入一个瓶颈期——知道如何使用 iloc 和 loc 进行数据选取，了解基本的聚合函数，但在面对复杂业务场景时，代码依然显得冗长低效。这通常是因为对 Pandas 的两种核心数据结构——Series 和 DataFrame 的理解还停留在表面层次。
Series 本质上是一个带标签的一维数组，但它远比普通数组强大。我们可以通过几个关键属性来理解它的设计哲学：
import pandas as pd
# 创建 Series 时的核心参数
data = [1, 2, 3, 4]
index = ['a', 'b', 'c', 'd']
name = 'sample_series'
s = pd.Series(data=data, index=index, name=name, dtype='float64')
DataFrame 则是多个 Series 的集合，但它不是简单的二维数组，而是一个具有行索引和列索引的表格型数据结构。理解这一点对高效使用 DataFrame 至关重要：
| 特性 | Series | DataFrame |
|---|---|---|
| 维度 | 一维 | 二维 |
| 索引 | 单索引 | 行索引 + 列索引 |
| 数据对齐 | 自动对齐索引 | 行列双向对齐 |
| 内存布局 | 连续内存块 | 列式存储 (通常) |
