Series的索引操作

Series 索引操作精讲：标签索引 loc、位置索引 iloc 与布尔掩码切片

小象实战讲义 · Python数据分析实战

在处理一维数据 Series 时，精准提取特定元素或子集是最基础的高频操作。Pandas 为 Series 提供了两套清晰的寻址体系：基于显式标签的索引器 .loc[] 与 基于隐式整数位置的索引器 .iloc[]。此外，结合 Python 切片与布尔条件表达式，我们能以极高的效率完成复杂业务数据的过滤。本节我们将深入剖析 Series 的标量取值、区间切片、花式索引（Fancy Indexing）以及布尔掩码过滤技术。

💡 核心导读

• 标签索引器 .loc[] 与位置索引器 .iloc[] 的核心边界：
  • .loc[label]：通过 Index 显式字符/具名标签寻址（切片为双闭区间）；
  • .iloc[pos]：通过 0 开始的整数下标寻址（切片为左闭右开区间）。
• 花式索引（Fancy Indexing）：传入标签或位置列表进行批量不连续数据提取。
• 布尔条件掩码（Boolean Masking）：使用 s[s > threshold] 过滤符合条件的数据子集。

1. Series 的标签寻址与位置寻址

理解 .loc 与 .iloc 的区别是避免索引混淆的黄金法则：

┌─────────────────────────────────────────────────────────────┐
│                 Series loc vs iloc 索引机制                 │
├───────────────────┬─────────────────────────────────────────┤
│ 索引器语法        │ 定位依据与区间规则                      │
├───────────────────┼─────────────────────────────────────────┤
│ s.loc['a':'c']    │ 基于 Index 标签，包含端点 'c' (双闭区间)│
│ s.iloc[0:2]       │ 基于整数位置 0, 1，不含 2 (左闭右开)    │
└───────────────────┴─────────────────────────────────────────┘

# 示例 1：Series 标签寻址与位置寻址对比实战

import pandas as pd

# 创建包含自定义字符串索引的 Series
scores = pd.Series([88, 92, 79, 95, 84], index=["语文", "数学", "英语", "物理", "化学"])
print("=== 1. 原始 Series ===")
print(scores)

# 1. 标量寻址
print("\n• 标签取值 (loc):", scores.loc["数学"])
print("• 位置取值 (iloc):", scores.iloc[1])

# 2. 花式索引 (传入列表批量提取)
print("\n• 提取语文和物理 (loc):\n", scores.loc[["语文", "物理"]])
print("• 提取第 0 和第 3 个 (iloc):\n", scores.iloc[[0, 3]])

# 3. 切片操作：注意双闭区间 vs 左闭右开
print("\n• 标签切片 ['数学':'物理'] (包含物理):\n", scores.loc["数学":"物理"])
print("• 位置切片 [1:4] (不含索引 4):\n", scores.iloc[1:4])

2. 布尔掩码条件过滤与原地更新

通过比较运算符可以生成布尔 Series，以此作为掩码索引可以一句话提取满足特定条件的子集。

# 示例 2：布尔掩码过滤与条件更新

# 1. 单条件筛选：提取成绩 >= 85 的科目
mask_high = scores >= 85
print("=== 2. 布尔掩码矩阵 ===")
print(mask_high)
print("\n优秀科目清单 (scores >= 85):\n", scores[mask_high])

# 2. 多条件复合筛选：成绩在 80 到 90 之间
complex_mask = (scores >= 80) & (scores <= 90)
print("\n良好科目清单 (80 <= scores <= 90):\n", scores[complex_mask])

# 3. 基于条件就地更新数据：将不及格或低于 80 分的加 5 分奖励
scores_boosted = scores.copy()
scores_boosted[scores_boosted < 80] += 5
print("\n提分后的成绩清单:\n", scores_boosted)

📝 动手练一练

1. 概念思考题：对于一个 index 为整数且无序的 Series（如 index=[10, 20, 30]），为什么直接使用 s[0] 容易产生歧义？最佳实践是什么？

   👉 点击查看参考答案

   参考答案： 当 Index 本身就是整数时，s[0] 既可能被理解为寻找标签为 0 的元素，也可能被理解为寻找第 0 个位置的元素。最佳实践是始终显式使用 .loc[]（按标签）或 .iloc[]（按位置），杜绝任何歧义。

2. 编程练习：给定温度 Series temps = pd.Series([22, 35, 18, 40, 28], index=['北京', '海口', '哈尔滨', '吐鲁番', '成都'])，请筛选出所有温度高于 30 度的城市。

   👉 点击查看参考答案

   参考答案：

   import pandas as pd
   temps = pd.Series([22, 35, 18, 40, 28], index=['北京', '海口', '哈尔滨', '吐鲁番', '成都'])
   hot_cities = temps[temps > 30]
   print(hot_cities)

本章小结

• 掌握了 .loc（标签寻址，双闭区间）与 .iloc（位置寻址，左闭右开）的严格区分；
• 熟练运用花式列表索引提取离散子集；
• 掌握了基于布尔掩码与 & / | 进行高效条件过滤的实战方法。

📋 行动清单

• 在本地执行示例代码，观察控制台输出并记录关键指标。
• 做好准备，进入下一小节学习《DataFrame 的索引操作与多维行列检索》！

—— 小象教研组