Pandas Series：管理单只股票收盘价

Pandas Series：管理单只股票收盘价

小象量化极客小册 · 华尔街量化分析先锋系列

Pandas 是量化交易员最核心的武器。本节你将通过 Series 和 DataFrame 深度处理时间序列行情数据，掌握 loc/iloc 定位筛选、缺失值与重复值清洗、以及最大回撤与年化波动率等核心指标统计计算。

小象量化极客小册 · 华尔街量化分析先锋系列 Pandas 是量化交易员最核心的武器。本节你将通过 Series 和 DataFrame 深度处理时间序列行情数据，掌握 loc/iloc 定位筛选、缺失值与重复值清洗、以及最大回撤与年化波动率等核心指标统计计算。

💡 核心导读

Series 是 Pandas 中最基础的一维数据结构，相当于带标签的增强版数组。本节将深入讲解 Series 的核心特性和操作方法，包括：

• 理解 Series 的索引机制与数据存储原理
• 掌握 Series 的创建、访问和修改操作
• 熟练使用 Series 的常用属性和方法
• 实现 Series 与其它数据结构的相互转换 通过本节学习，您将能够高效处理一维带标签数据，为后续 DataFrame 学习打下坚实基础。

核心概念解析

Series 数据结构

Series 由两个核心部分组成：

1. 值数组：存储实际数据的 NumPy 数组
2. 索引：与值数组对应的标签序列

索引 -> 值
---------
A    -> 10
B    -> 20
C    -> 30

创建 Series

import pandas as pd
import numpy as np

s1 = pd.Series([1, 3, 5, np.nan], index=['a', 'b', 'c', 'd'])

s2 = pd.Series({'苹果公司': 2154, '谷歌公司': 2424, '亚马逊': 1868})

s3 = pd.Series(5, index=list(range(4)))

💡 概念小测：Series索引特征

我们创建了一个以日期为 index 的 Series 对象 ts_prices 存储单只股票收盘价。关于该 Series，以下哪个说法是错误的？

• 我们可以通过位置（如 ts_prices[0]）或标签日期（如 ts_prices['2026-06-09']）来访问收盘价。
• 如果我们尝试获取一个不存在的日期标签，Pandas 会抛出 KeyError 异常。
• Series 的 Index 在创建后是可变的，可以直接修改单个 index 元素（如 ts_prices.index[0] = 'new_date'）。
• Series 由一个 values 数组和一个 index 序列组成。

📝 选择题

💡 概念小测：Series索引特征 我们创建了一个以日期为 index 的 Series 对象 ts_prices 存储单只股票收盘价。关于该 Series，以下哪个说法是错误的？

• A. 我们可以通过位置（如 ts_prices[0]）或标签日期（如 ts_prices['2026-06-09']）来访问收盘价。
• B. 如果我们尝试获取一个不存在的日期标签，Pandas 会抛出 KeyError 异常。
• C. Series 的 Index 在创建后是可变的，可以直接修改单个 index 元素（如 ts_prices.index[0] = 'new_date'）。
• D. Series 由一个 values 数组和一个 index 序列组成。

答案：C（Series 的 Index 在创建后是可变的，可以直接修改单个 index 元素（如 ts_prices.index[0] = 'new_date'）。）

关键操作演练

数据访问与修改

temps = pd.Series([22.3, 24.1, 19.8, 21.5], 
                 index=['周一', '周二', '周三', '周四'])

print(temps[0])  # 输出: 22.3

print(temps['周三'])  # 输出: 19.8

print(temps[temps > 22])  

temps['周二'] = 25.6

常用属性和方法

print(f"值数组: {temps.values}")
print(f"索引: {temps.index}")
print(f"形状: {temps.shape}")

print(f"平均值: {temps.mean():.2f}")
print(f"最大值: {temps.max()}")

s = pd.Series([1, np.nan, 3])
print(s.fillna(0))  # 缺失值填充为0

数据结构转换

与其它结构互转

arr = temps.to_numpy()

temp_dict = temps.to_dict()

new_series = pd.Series(temp_dict)

print("原始 Series:")
print(temps)
print("\n转换后的字典:")
print(temp_dict)

💡 代码填空：填充缺失价格

补全代码，当小象咖啡股票价格 Series 中出现缺失值时，使用数值 0 进行填充：

import pandas as pd
import numpy as np

prices = pd.Series([100.5, np.nan, 102.3])
clean_prices = prices.{blank}(0)
print(clean_prices[1]) # 输出 0.0

• dropna
• fillna
• replace

✏️ 填空题

💡 代码填空：填充缺失价格 补全代码，当小象咖啡股票价格 Series 中出现缺失值时，使用数值 0 进行填充：

import pandas as pd
import numpy as np
prices = pd.Series([100.5, np.nan, 102.3])
# 填充缺失值
clean_prices = prices.___(0)
print(clean_prices[1]) # 输出 0.0

答案：fillna

本章小结

行动清单

• 创建一个包含5个股票标的主力买入额值的Series，练习使用位置索引和标签索引访问数据
• 使用布尔索引筛选出温度Series中高于平均值的数据点
• 将包含资产收益率的字典转换为Series，并计算平均分和最高分

小象量化教研组