4.1 Series、DataFrame、索引与模式

NumPy 数组为我们提供了形状、编号轴，以及每个数组一个 dtype。真实分析表还有一项要求：数值需要标签来保留每行每列的含义。pandas 在 NumPy 数组模型之上附加标签，并允许每一列使用适合自身字段的 dtype。

按照惯例导入 pandas：

python

import pandas as pd

Series：一个带标签的维度

pandas 的 Series 是一维数值序列，每个值都与一条索引（Index）标签配对：

python

minutes = pd.Series(
    [31, 52, 44],
    index=["A104", "A105", "A106"],
    name="delivery_minutes",
    dtype="Int64",
)

数值表示配送用时，索引标签是订单编号，Series 名称描述被测变量。三种角色不能混淆：A104 用于识别观测，而 31 是可以进行算术运算的数量。

应直接检查结构，不要只依赖 Notebook 的显示结果：

python

print(minutes.index)
print(minutes.name)
print(minutes.dtype)
print(minutes.shape)  # (3,)

首字母大写的 Int64 是 pandas 的可空整数类型（nullable integer dtype）。它可以同时表示整数与 pd.NA，无需把标识符或计数转换为浮点数。由于不同构造函数和 pandas 版本的 dtype 推断可能不同，重要边界处应显式声明类型。

DataFrame：带行列标签的异构表

DataFrame 是二维带标签表。与二维 NumPy 数组不同，它的各列可以采用不同 dtype：

python

order_id = pd.Index(
    ["A104", "A105", "A106", "A107"],
    name="order_id",
)

deliveries = pd.DataFrame(
    {
        "zone": pd.Series(
            ["North", "South", "West", "South"],
            index=order_id,
            dtype="string",
        ),
        "minutes": pd.Series(
            [31, 52, None, 44],
            index=order_id,
            dtype="Int64",
        ),
        "delivered": pd.Series(
            [True, True, False, True],
            index=order_id,
            dtype="boolean",
        ),
    },
    index=order_id,
)

这张表有两条带标签的轴：

第 0 轴是行索引，包含订单编号。

第 1 轴是列索引，包含变量名称。

每一列同时也是与 DataFrame 行索引对齐的 Series。这就是上面每个 Series 都传入 index=order_id 的原因。如果某个 Series 使用不同索引，pandas 会按标签对齐，而不会直接按位置复制数值。

第一次检查表格时，可以使用：

python

print(deliveries.shape)
print(deliveries.columns)
print(deliveries.index.name)
print(deliveries.dtypes)
print(deliveries.head())
print(deliveries.info())

head 只预览记录，不能验证完整表格；info 汇总非缺失数量、dtype 和内存用量，但业务检查仍应写成明确断言。

模式实验提供一张可编辑表格和一份可编辑的 schema manifest。你可以修改任意单元格、添加记录、移动索引声明或改变可空性与 dtype。验证会遍历整张表，因此可以亲手制造外观正常的预览无法发现的重复键和类型污染。

正在加载交互实验...

正在加载概念检查...

正在加载本节练习...

索引是对齐键，不是行号

默认 RangeIndex 使用 0, 1, 2, ... 作为标签。当行身份不重要，或身份已经保存在普通列中时，它很方便。如果 order_id 这样的业务键稳定、非缺失且唯一，就可以把它设为索引：

python

deliveries = raw.set_index("order_id", verify_integrity=True)

verify_integrity=True 会在操作过程中拒绝重复键。对于已有索引，也可以自行验证：

python

assert deliveries.index.notna().all()
assert deliveries.index.is_unique
assert deliveries.index.name == "order_id"

并非每个 pandas 对象的索引都必须唯一。重复标签对某些分组结构或时间序列很有用。但如果契约规定“一笔订单一行”，重复标签就是数据错误：选择一个订单标签时，可能意外返回多行。

不要为了显示美观而随意把字段放进索引。索引标签会参与对齐、选择、连接和序列化。如果一个字段不是稳定身份或坐标，通常更适合留在普通列中。

算术先对齐标签，再计算数值

考虑标签集合与顺序都不同的需求和运力 Series：

python

demand = pd.Series(
    {"North": 12, "South": 8, "West": 5},
    dtype="Int64",
)

capacity = pd.Series(
    {"South": 10, "North": 15, "Central": 4},
    dtype="Int64",
)

surplus = capacity - demand

pandas 会先取得标签并集，对齐两个操作数，然后才做减法。North 和 South 两边都有数值；Central 没有需求，West 没有运力，因此它们的余量是缺失值。

这种行为避免了位置错误：运力的第一个值属于 South，而需求的第一个值属于 North。若像 NumPy 那样直接按当前位置相减，就会组合两个无关区域。

可以直接检查对齐过程：

python

aligned_capacity, aligned_demand = capacity.align(
    demand,
    join="outer",
)

当业务契约明确规定“没有记录等于零”时，命名算术方法可以接受 fill_value：

python

surplus_assuming_zero = capacity.subtract(demand, fill_value=0)

这是业务假设，不是无害的数据清理。缺失运力可能表示“尚未上报”，而不是运力为零。在含义确定之前，应让缺失结果保持可见。

对齐实验允许你把两条带标签的 Series 都写成 label:value 记录，再执行对齐表达式。重排、改名、增删标签后，可以直接检查计算得到的标签并集；随后还能显式声明缺失政策，观察用零填充何时会把结构不匹配变成业务断言。

正在加载交互实验...

正在加载概念检查...

把模式当成可执行契约

数据模式（schema）描述数据集应有的结构和含义，包括必需列、dtype、键、可空性、范围、单位，有时还包括字段间关系。pandas 没有唯一通用的模式声明方式，但普通断言足以保护 Notebook 或管道边界：

python

required = {"zone", "minutes", "delivered"}

assert required <= set(deliveries.columns)
assert deliveries.index.is_unique
assert deliveries["zone"].dtype == pd.StringDtype()
assert str(deliveries["minutes"].dtype) == "Int64"
assert deliveries["minutes"].dropna().between(0, 24 * 60).all()

只有当列顺序属于外部文件或 API 契约时，才应检查完全一致的列顺序。对于普通分析，集合包含关系通常更稳健。同样，dtype 检查只能证明存储类型，不能证明业务值有效：负数配送用时仍然可以放入整数 dtype。

正在加载本节练习...

下一节会把这些带标签结构转化为精确选择契约。你将按标签、按位置和按布尔条件选择行列，同时避免混淆不同坐标系统。

4.1 Series、DataFrame、索引与模式

按照惯例导入 pandas：

python

import pandas as pd

Series：一个带标签的维度

pandas 的 Series 是一维数值序列，每个值都与一条索引（Index）标签配对：

python

minutes = pd.Series(
    [31, 52, 44],
    index=["A104", "A105", "A106"],
    name="delivery_minutes",
    dtype="Int64",
)

数值表示配送用时，索引标签是订单编号，Series 名称描述被测变量。三种角色不能混淆：A104 用于识别观测，而 31 是可以进行算术运算的数量。

应直接检查结构，不要只依赖 Notebook 的显示结果：

python

print(minutes.index)
print(minutes.name)
print(minutes.dtype)
print(minutes.shape)  # (3,)

DataFrame：带行列标签的异构表

DataFrame 是二维带标签表。与二维 NumPy 数组不同，它的各列可以采用不同 dtype：

python

order_id = pd.Index(
    ["A104", "A105", "A106", "A107"],
    name="order_id",
)

deliveries = pd.DataFrame(
    {
        "zone": pd.Series(
            ["North", "South", "West", "South"],
            index=order_id,
            dtype="string",
        ),
        "minutes": pd.Series(
            [31, 52, None, 44],
            index=order_id,
            dtype="Int64",
        ),
        "delivered": pd.Series(
            [True, True, False, True],
            index=order_id,
            dtype="boolean",
        ),
    },
    index=order_id,
)

这张表有两条带标签的轴：

第 0 轴是行索引，包含订单编号。

第 1 轴是列索引，包含变量名称。

第一次检查表格时，可以使用：

python

print(deliveries.shape)
print(deliveries.columns)
print(deliveries.index.name)
print(deliveries.dtypes)
print(deliveries.head())
print(deliveries.info())

head 只预览记录，不能验证完整表格；info 汇总非缺失数量、dtype 和内存用量，但业务检查仍应写成明确断言。

正在加载交互实验...

正在加载概念检查...

正在加载本节练习...

索引是对齐键，不是行号

python

deliveries = raw.set_index("order_id", verify_integrity=True)

verify_integrity=True 会在操作过程中拒绝重复键。对于已有索引，也可以自行验证：

python

assert deliveries.index.notna().all()
assert deliveries.index.is_unique
assert deliveries.index.name == "order_id"

算术先对齐标签，再计算数值

考虑标签集合与顺序都不同的需求和运力 Series：

python

demand = pd.Series(
    {"North": 12, "South": 8, "West": 5},
    dtype="Int64",
)

capacity = pd.Series(
    {"South": 10, "North": 15, "Central": 4},
    dtype="Int64",
)

surplus = capacity - demand

这种行为避免了位置错误：运力的第一个值属于 South，而需求的第一个值属于 North。若像 NumPy 那样直接按当前位置相减，就会组合两个无关区域。

可以直接检查对齐过程：

python

aligned_capacity, aligned_demand = capacity.align(
    demand,
    join="outer",
)

当业务契约明确规定“没有记录等于零”时，命名算术方法可以接受 fill_value：

python

surplus_assuming_zero = capacity.subtract(demand, fill_value=0)

这是业务假设，不是无害的数据清理。缺失运力可能表示“尚未上报”，而不是运力为零。在含义确定之前，应让缺失结果保持可见。

正在加载交互实验...

正在加载概念检查...

把模式当成可执行契约

python

required = {"zone", "minutes", "delivered"}

assert required <= set(deliveries.columns)
assert deliveries.index.is_unique
assert deliveries["zone"].dtype == pd.StringDtype()
assert str(deliveries["minutes"].dtype) == "Int64"
assert deliveries["minutes"].dropna().between(0, 24 * 60).all()

正在加载本节练习...

下一节会把这些带标签结构转化为精确选择契约。你将按标签、按位置和按布尔条件选择行列，同时避免混淆不同坐标系统。