Pandas-2-2-中文文档-十八-

Pandas 2.2 中文文档（十八）

原文：pandas.pydata.org/docs/

`pandas.notnull`

原文：pandas.pydata.org/docs/reference/api/pandas.notnull.html

pandas.notnull(obj)

检测类数组对象中的非缺失值。

此函数接受一个标量或类似数组对象，并指示值是否有效（在数值数组中为 NaN，在对象数组中为 None 或 NaN，在日期时间类数组中为 NaT）。

参数：

obj类似数组或对象值

要检查非空或非缺失值的对象。

布尔值或布尔值数组

对于标量输入，返回一个标量布尔值。对于数组输入，返回一个布尔数组，指示每个对应元素是否有效。

另请参见

isna

pandas.notna 的布尔值取反。

Series.notna

检测 Series 中的有效值。

DataFrame.notna

检测 DataFrame 中的有效值。

Index.notna

检测索引中的有效值。

示例

标量参数（包括字符串）返回一个标量布尔值。

>>> pd.notna('dog')
True

>>> pd.notna(pd.NA)
False

>>> pd.notna(np.nan)
False

ndarrays 生成一个布尔值的 ndarray。

>>> array = np.array([[1, np.nan, 3], [4, 5, np.nan]])
>>> array
array([[ 1., nan,  3.],
 [ 4.,  5., nan]])
>>> pd.notna(array)
array([[ True, False,  True],
 [ True,  True, False]])

对于索引，返回一个布尔值的 ndarray。

>>> index = pd.DatetimeIndex(["2017-07-05", "2017-07-06", None,
...                          "2017-07-08"])
>>> index
DatetimeIndex(['2017-07-05', '2017-07-06', 'NaT', '2017-07-08'],
 dtype='datetime64[ns]', freq=None)
>>> pd.notna(index)
array([ True,  True, False,  True])

对于 Series 和 DataFrame，返回相同类型，包含布尔值。

>>> df = pd.DataFrame([['ant', 'bee', 'cat'], ['dog', None, 'fly']])
>>> df
 0     1    2
0  ant   bee  cat
1  dog  None  fly
>>> pd.notna(df)
 0      1     2
0  True   True  True
1  True  False  True

>>> pd.notna(df[1])
0     True
1    False
Name: 1, dtype: bool

`pandas.to_numeric`

原文：pandas.pydata.org/docs/reference/api/pandas.to_numeric.html

pandas.to_numeric(arg, errors='raise', downcast=None, dtype_backend=_NoDefault.no_default)

将参数转换为数值类型。

默认返回 dtype 为 float64 或 int64，取决于提供的数据。使用 downcast 参数获取其他 dtypes。

请注意，如果传入的数字非常大，则可能会发生精度丢失。由于 ndarray 的内部限制，如果传入小于-9223372036854775808（np.iinfo(np.int64).min）或大于 18446744073709551615（np.iinfo(np.uint64).max）的数字，它们很可能会被转换为浮点数，以便可以存储在 ndarray 中。这些警告同样适用于 Series，因为它在内部利用 ndarray。

参数：

arg标量、列表、元组、1 维数组或 Series

要转换的参数。

错误，默认为‘raise’

如果‘raise’，则无效解析将引发异常。
如果‘coerce’，则无效解析将设置为 NaN。
如果‘ignore’，则无效解析将返回输入。

2.2 版中更改。

“ignore”已被弃用。明确捕获异常。

downcaststr，默认为 None

可以是‘integer’、‘signed’、‘unsigned’或‘float’。如果不是 None，并且数据已成功转换为数值 dtype（或者数据本身就是数值型），则根据以下规则将结果数据降级为可能的最小数值 dtype：

‘integer’或‘signed’：最小的有符号整数 dtype（最小值：np.int8）
‘unsigned’：最小的无符号整数 dtype（最小值：np.uint8）
‘float’：最小的浮点数 dtype（最小值：np.float32）

由于此行为与核心转换为数值值的行为是分开的，因此无论‘errors’输入的值如何，都将显示在降级期间引发的任何错误。

此外，仅当结果数据的 dtype 的大小严格大于要转换为的 dtype 时，才会发生降级，因此如果没有任何检查的 dtype 满足该规范，则不会对数据执行降级。

dtype_backend，默认为‘numpy_nullable’

应用于结果DataFrame的后端数据类型（仍处于实验阶段）。行为如下：

"numpy_nullable"：返回基于可空 dtype 的DataFrame（默认）。
"pyarrow"：返回基于 pyarrow 的可空ArrowDtype DataFrame。

2.0 版中的新功能。

如果解析成功，则为数值。返回类型取决于输入。如果是 Series，则为 Series，否则为 ndarray。

另请参见

DataFrame.astype

将参数转换为指定的 dtype。

to_datetime

将参数转换为日期时间。

to_timedelta

将参数转换为时间增量。

numpy.ndarray.astype

将 numpy 数组转换为指定类型。

DataFrame.convert_dtypes

转换数据类型。

示例

将单独的系列转换为数字，根据需要进行强制转换

>>> s = pd.Series(['1.0', '2', -3])
>>> pd.to_numeric(s)
0    1.0
1    2.0
2   -3.0
dtype: float64
>>> pd.to_numeric(s, downcast='float')
0    1.0
1    2.0
2   -3.0
dtype: float32
>>> pd.to_numeric(s, downcast='signed')
0    1
1    2
2   -3
dtype: int8
>>> s = pd.Series(['apple', '1.0', '2', -3])
>>> pd.to_numeric(s, errors='coerce')
0    NaN
1    1.0
2    2.0
3   -3.0
dtype: float64

可空整数和浮点数类型的向下转换是支持的：

>>> s = pd.Series([1, 2, 3], dtype="Int64")
>>> pd.to_numeric(s, downcast="integer")
0    1
1    2
2    3
dtype: Int8
>>> s = pd.Series([1.0, 2.1, 3.0], dtype="Float64")
>>> pd.to_numeric(s, downcast="float")
0    1.0
1    2.1
2    3.0
dtype: Float32

`pandas.to_datetime`

原文：pandas.pydata.org/docs/reference/api/pandas.to_datetime.html

pandas.to_datetime(arg, errors='raise', dayfirst=False, yearfirst=False, utc=False, format=None, exact=_NoDefault.no_default, unit=None, infer_datetime_format=_NoDefault.no_default, origin='unix', cache=True)

将参数转换为日期时间。

此函数将标量、类似数组、Series或DataFrame/dict-like 转换为 pandas 日期时间对象。

参数：

argint、float、str、datetime、list、tuple、1 维数组、Series、DataFrame/dict-like

要转换为日期时间的对象。如果提供了一个DataFrame，则该方法至少期望以下列："year"、"month"、"day"。列"year"必须以 4 位数字格式指定。

errors，默认为‘raise’

如果是'raise'，则无效的解析将引发异常。
如果是'coerce'，则无效的解析将被设置为NaT。
如果是'ignore'，则无效的解析将返回输入。

dayfirstbool，默认为 False

如果 arg 是 str 或类似列表，则指定日期解析顺序。如果True，则解析日期时以日为先，例如，"10/11/12"被解析为2012-11-10。

警告

dayfirst=True不是严格的，但会倾向于首先解析日期。

yearfirstbool，默认为 False

如果 arg 是 str 或类似列表，则指定日期解析顺序。

如果True，则解析日期时以年为先，例如，"10/11/12"被解析为2010-11-12。
如果 dayfirst 和 yearfirst 都为True，则 yearfirst 优先（与dateutil相同）。

警告

yearfirst=True不是严格的，但会倾向于首先解析年份。

utcbool，默认为 False

控制与时区相关的解析、本地化和转换。

如果为True，该函数始终返回一个带有时区感知的 UTC 本地化的Timestamp、Series或DatetimeIndex。为此，时区无关的输入将被本地化为 UTC，而时区感知的输入将被转换为 UTC。
如果为False（默认值），输入将不会被强制转换为 UTC。时区无关的输入将保持无关，而时区感知的输入将保持其时间偏移。对于混合偏移（通常是夏令时），存在限制，请参见示例部分了解详情。

警告

在未来的 pandas 版本中，解析具有混合时区的日期时间将引发错误，除非设置 utc=True。请指定 utc=True 以选择新行为并消除此警告。要创建具��混合偏移和对象 dtype 的 Series，请使用 apply 和 datetime.datetime.strptime。

另请参阅：有关pandas 时区转换和本地化的概述文档。

formatstr，默认为 None

用于解析时间的 strftime，例如"%d/%m/%Y"。有关更多选择的信息，请参阅strftime 文档，尽管请注意"%f"将解析到纳秒。您还可以传递：

“ISO8601”，解析任何ISO8601时间字符串（不一定是完全相同的格式）；
“mixed”，为每个元素单独推断格式。这是有风险的，您可能应该与 dayfirst 一起使用。

注意

如果传递了DataFrame，则格式不起作用。

exact布尔值，默认为 True

控制格式的使用方式：

如果True，则要求精确的格式匹配。
如果为False，允许格式在目标字符串的任何位置匹配。

不能与format='ISO8601'或format='mixed'一起使用。

unit字符串，默认为'ns'

参数的单位（D、s、ms、us、ns）表示单位，可以是整数或浮点数。这将基于原点。例如，使用unit='ms'和origin='unix'，这将计算到 Unix 纪元开始的毫秒数。

infer_datetime_format布尔值，默认为 False

如果为True且未提供格式，则尝试根据第一个非 NaN 元素推断日期时间字符串的格式，并且如果可以推断出，则切换到更快的解析方法。在某些情况下，这可以将解析速度提高约 5-10 倍。

自版本 2.0.0 起弃用：此参数的严格版本现在是默认值，传递它没有效果。

origin标量，默认为'unix'

定义参考日期。数值将被解析为自此参考日期以来的单位数（由 unit 定义）。

如果是'unix'（或 POSIX）时间；origin 设置为 1970-01-01。
如果是'julian'，单位必须是'D'，origin 设置为儒略历的开始。儒略日号0分配给从公元前 4713 年 1 月 1 日中午开始的那一天。
如果可转换为 Timestamp（Timestamp、dt.datetime、np.datetimt64 或日期字符串），则将 origin 设置为由 origin 标识的 Timestamp。
如果是浮点数或整数，origin 是相对于 1970-01-01 的差异（由unit参数确定的单位）。

cache布尔值，默认为 True

如果True，则使用一个唯一的转换日期缓存来应用日期时间转换。当解析重复的日期字符串时，特别是带有时区偏移的日期字符串，可能会显著加快速度。只有在至少有 50 个值时才会使用缓存。超出范围的值会使缓存无法使用，并可能减慢解析速度。

日期时间

如果解析成功。返回类型取决于输入（括号中的类型对应于无法成功解析时的回退）：

标量：Timestamp（或datetime.datetime)
类似数组：DatetimeIndex（或包含datetime.datetime的object数据类型的Series）
Series：Series，其数据类型为datetime64（或包含datetime.datetime的object数据类型的Series）
DataFrame：Series，其数据类型为datetime64（或包含datetime.datetime的object数据类型的Series）

引发：

ParserError

当解析字符串日期失败时。

ValueError

当发生另一个日期时间转换错误时。例如，当DataFrame中缺少‘year’、‘month’、‘day’列之一时，或者在混合时间偏移的类似数组中找到一个时区感知的datetime.datetime，且utc=False时。

另请参见

DataFrame.astype

将参数转换为指定的数据类型。

to_timedelta

将参数转换为时间差。

convert_dtypes

转换数据类型。

注意事项

支持许多输入类型，并导致不同的输出类型：

标量可以是整数、浮点数、字符串、日期时间对象（来自标准库datetime模块或numpy）。在可能的情况下，它们将被转换为Timestamp，否则它们将被转换为datetime.datetime。None/NaN/null 标量将被转换为NaT。
array-like 可包含 int、float、str、datetime 对象。在可能的情况下，它们会被转换为 DatetimeIndex，否则它们会被转换为包含 datetime.datetime 的 Index，其 dtype 为 object。在两种情况下，None/NaN/null 条目都会被转换为 NaT。
Series 在可能的情况下会被转换为具有 datetime64 dtype 的 Series，否则它们会被转换为包含 datetime.datetime 的 object dtype 的 Series。在两种情况下，None/NaN/null 条目都会被转换为 NaT。
DataFrame/dict-like 会被转换为具有 datetime64 dtype 的 Series。对于每一行，从组装各个数据框列中创建一个 datetime。列键可以是常见缩写，如 [‘year’, ‘month’, ‘day’, ‘minute’, ‘second’, ‘ms’, ‘us’, ‘ns’]) 或其复数形式。

以下原因导致返回 datetime.datetime 对象（可能在 Index 或具有 object dtype 的 Series 中）而不是适当的 pandas 指定类型（Timestamp、DatetimeIndex 或具有 datetime64 dtype 的 Series）：

当任何输入元素在 Timestamp.min 之前或在 Timestamp.max 之后时，请参阅时间戳限制。
当 utc=False（默认）且输入为包含混合 naive/aware datetime 或带有混合时间偏移的 array-like 或 Series 时。请注意，这种情况经常发生，当时区具有夏令时政策时。在这种情况下，您可能希望使用 utc=True。

示例

处理各种输入格式

从DataFrame的多列组装日期时间。键可以是常见的缩写，如[‘year’, ‘month’, ‘day’, ‘minute’, ‘second’, ‘ms’, ‘us’, ‘ns’]，或者是相同的复数形式

>>> df = pd.DataFrame({'year': [2015, 2016],
...                    'month': [2, 3],
...                    'day': [4, 5]})
>>> pd.to_datetime(df)
0   2015-02-04
1   2016-03-05
dtype: datetime64[ns]

使用 Unix 纪元时间

>>> pd.to_datetime(1490195805, unit='s')
Timestamp('2017-03-22 15:16:45')
>>> pd.to_datetime(1490195805433502912, unit='ns')
Timestamp('2017-03-22 15:16:45.433502912')

警告

对于浮点参数，可能会发生精度舍入。为了防止意外行为，请使用固定宽度的精确类型。

使用非 Unix 纪元起源

>>> pd.to_datetime([1, 2, 3], unit='D',
...                origin=pd.Timestamp('1960-01-01'))
DatetimeIndex(['1960-01-02', '1960-01-03', '1960-01-04'],
 dtype='datetime64[ns]', freq=None)

与 strptime 行为的差异

"%f"将解析直到纳秒。

>>> pd.to_datetime('2018-10-26 12:00:00.0000000011',
...                format='%Y-%m-%d %H:%M:%S.%f')
Timestamp('2018-10-26 12:00:00.000000001')

无法转换的日期/时间

传递errors='coerce'将强制将超出范围的日期转换为NaT，并强制将非日期（或无法解析的日期）转换为NaT。

>>> pd.to_datetime('13000101', format='%Y%m%d', errors='coerce')
NaT

时区和时间偏移

默认行为（utc=False）如下：

时区无关的输入被转换为时区无关的DatetimeIndex：

>>> pd.to_datetime(['2018-10-26 12:00:00', '2018-10-26 13:00:15'])
DatetimeIndex(['2018-10-26 12:00:00', '2018-10-26 13:00:15'],
 dtype='datetime64[ns]', freq=None)

具有恒定时间偏移的时区意识输入被转换为时区意识的DatetimeIndex：

>>> pd.to_datetime(['2018-10-26 12:00 -0500', '2018-10-26 13:00 -0500'])
DatetimeIndex(['2018-10-26 12:00:00-05:00', '2018-10-26 13:00:00-05:00'],
 dtype='datetime64[ns, UTC-05:00]', freq=None)

然而，具有混合时间偏移的时区意识输入（例如来自具有夏令时的时区，如欧洲/巴黎）无法成功转换为DatetimeIndex。解析具有混合时区的日期时间将显示警告，除非设置 utc=True。如果指定 utc=False，则将显示下面的警告，并返回一个简单的Index，其中包含datetime.datetime对象：

>>> pd.to_datetime(['2020-10-25 02:00 +0200',
...                 '2020-10-25 04:00 +0100'])  
FutureWarning: In a future version of pandas, parsing datetimes with mixed
time zones will raise an error unless `utc=True`. Please specify `utc=True`
to opt in to the new behaviour and silence this warning. To create a `Series`
with mixed offsets and `object` dtype, please use `apply` and
`datetime.datetime.strptime`.
Index([2020-10-25 02:00:00+02:00, 2020-10-25 04:00:00+01:00],
 dtype='object')

一组既有时区意识又有时区无关的输入也会被转换为一个简单的Index，其中包含datetime.datetime对象：

>>> from datetime import datetime
>>> pd.to_datetime(["2020-01-01 01:00:00-01:00",
...                 datetime(2020, 1, 1, 3, 0)])  
FutureWarning: In a future version of pandas, parsing datetimes with mixed
time zones will raise an error unless `utc=True`. Please specify `utc=True`
to opt in to the new behaviour and silence this warning. To create a `Series`
with mixed offsets and `object` dtype, please use `apply` and
`datetime.datetime.strptime`.
Index([2020-01-01 01:00:00-01:00, 2020-01-01 03:00:00], dtype='object')

设置utc=True可以解决上述大部分问题：

时区无关的输入被本地化为 UTC

>>> pd.to_datetime(['2018-10-26 12:00', '2018-10-26 13:00'], utc=True)
DatetimeIndex(['2018-10-26 12:00:00+00:00', '2018-10-26 13:00:00+00:00'],
 dtype='datetime64[ns, UTC]', freq=None)

时区意识的输入被转换为 UTC 时间（输出表示完全相同的日期时间，但从 UTC 时间偏移+00:00 查看）。

>>> pd.to_datetime(['2018-10-26 12:00 -0530', '2018-10-26 12:00 -0500'],
...                utc=True)
DatetimeIndex(['2018-10-26 17:30:00+00:00', '2018-10-26 17:00:00+00:00'],
 dtype='datetime64[ns, UTC]', freq=None)

输入可以包含字符串或日期时间，上述规则仍然适用

>>> pd.to_datetime(['2018-10-26 12:00', datetime(2020, 1, 1, 18)], utc=True)
DatetimeIndex(['2018-10-26 12:00:00+00:00', '2020-01-01 18:00:00+00:00'],
 dtype='datetime64[ns, UTC]', freq=None)

`pandas.to_timedelta`

原文：pandas.pydata.org/docs/reference/api/pandas.to_timedelta.html

pandas.to_timedelta(arg, unit=None, errors='raise')

将参数转换为时间差。

时间差是时间的绝对差异，以不同的单位（例如天、小时、分钟、秒）表示。此方法将从已识别的时间差格式/值中将参数转换为 Timedelta 类型。

参数：

argstr、时间差、类似列表或 Series

要转换为时间差的数据。

从 2.0 版本开始更改：带有单位‘M’、‘Y’和‘y’的字符串不代表明确的时间差值，将引发异常。

unitstr，可选

表示数值参数的单位。默认为"ns"。

可能的值：

‘W’
‘D’ / ‘days’ / ‘day’
‘hours’ / ‘hour’ / ‘hr’ / ‘h’ / ‘H’
‘m’ / ‘minute’ / ‘min’ / ‘minutes’ / ‘T’
‘s’ / ‘seconds’ / ‘sec’ / ‘second’ / ‘S’
‘ms’ / ‘milliseconds’ / ‘millisecond’ / ‘milli’ / ‘millis’ / ‘L’
‘us’ / ‘microseconds’ / ‘microsecond’ / ‘micro’ / ‘micros’ / ‘U’
‘ns’ / ‘nanoseconds’ / ‘nano’ / ‘nanos’ / ‘nanosecond’ / ‘N’

当 arg 包含字符串且errors="raise"时，不得指定。

自 2.2.0 版本起弃用：单位‘H’、‘T’、‘S’、‘L’、‘U’和‘N’已被弃用，并将在将来的版本中移除。请使用‘h’、‘min’、‘s’、‘ms’、‘us’和‘ns’代替‘H’、‘T’、‘S’、‘L’、‘U’和‘N’。

errors，默认为‘raise’

如果是‘raise’，那么无效的解析将引发异常。
如果是‘coerce’，那么无效的解析将被设置为 NaT。
如果是‘ignore’，那么无效的解析将返回输入。

时间差

如果解析成功。返回类型取决于输入：

类似列表：timedelta64 数据类型的 TimedeltaIndex
系列：timedelta64 数据类型的 Series
标量：时间差

另请参阅

DataFrame.astype

将参数转换为指定的数据类型。

to_datetime

将参数转换为日期时间。

convert_dtypes

转换数据类型。

注意

如果精度高于纳秒，对于字符串输入，持续时间的精度将被截断为纳秒。

示例

解析单个字符串为时间差：

>>> pd.to_timedelta('1 days 06:05:01.00003')
Timedelta('1 days 06:05:01.000030')
>>> pd.to_timedelta('15.5us')
Timedelta('0 days 00:00:00.000015500')

解析字符串列表或数组：

>>> pd.to_timedelta(['1 days 06:05:01.00003', '15.5us', 'nan'])
TimedeltaIndex(['1 days 06:05:01.000030', '0 days 00:00:00.000015500', NaT],
 dtype='timedelta64[ns]', freq=None)

通过指定单位关键字参数转换数字：

>>> pd.to_timedelta(np.arange(5), unit='s')
TimedeltaIndex(['0 days 00:00:00', '0 days 00:00:01', '0 days 00:00:02',
 '0 days 00:00:03', '0 days 00:00:04'],
 dtype='timedelta64[ns]', freq=None)
>>> pd.to_timedelta(np.arange(5), unit='d')
TimedeltaIndex(['0 days', '1 days', '2 days', '3 days', '4 days'],
 dtype='timedelta64[ns]', freq=None)

`pandas.date_range`

原文：pandas.pydata.org/docs/reference/api/pandas.date_range.html

pandas.date_range(start=None, end=None, periods=None, freq=None, tz=None, normalize=False, name=None, inclusive='both', *, unit=None, **kwargs)

返回一个固定频率的 DatetimeIndex。

返回等间隔时间点的范围（任意两个相邻点之间的差异由给定频率指定），使得它们都满足 start <[=] x <[=] end，其中第一个和最后一个分别是该范围中落在freq边界上的第一个和最后一个时间点（如果给定为频率字符串），或者对于freq有效的（如果给定为pandas.tseries.offsets.DateOffset）。（如果start、end或freq中的一个确切地没有指定，则可以根据periods计算缺失的参数，即范围中的时间步数。请参见下面的说明。）

参数：

startstr 或日期时间样式，可选

生成日期的左边界。

endstr 或日期时间样式，可选

生成日期的右边界。

periodsint，可选

要生成的周期数。

freqstr、Timedelta、datetime.timedelta 或 DateOffset，默认为‘D’

频率字符串可以有多个，例如‘5h’。查看这里获取频率别名列表。

tzstr 或 tzinfo，可选

返回本地化的 DatetimeIndex 的时区名称，例如‘Asia/Hong_Kong’。默认情况下，生成的 DatetimeIndex 是时区无关的，除非传递了时区感知的日期时间。

normalizebool，默认为 False

在生成日期范围之前将开始/结束日期标准化为午夜。

namestr，默认为 None

生成的 DatetimeIndex 的名称。

inclusive，默认为“both”

包括边界；是否将每个边界设置为闭合或开放。

在版本 1.4.0 中新增。

unitstr，默认为 None

指定结果的期望分辨率。

在版本 2.0.0 中新增。

**kwargs

用于兼容性。对结果没有影响。

DatetimeIndex

另请参阅

DatetimeIndex

一个不可变的日期时间容器。

timedelta_range

返回一个固定频率的 TimedeltaIndex。

period_range

返回一个固定频率的 PeriodIndex。

interval_range

返回一个固定频率的 IntervalIndex。

注意

在四个参数start、end、periods和freq中，必须指定三个。如果省略了freq，则生成的DatetimeIndex将在start和end之间（两侧均闭合）具有periods个线性间隔的元素。

欲了解更多关于频率字符串的信息，请查看此链接。

示例

指定值

下面的四个示例生成相同的 DatetimeIndex，但变化了开始、结束和周期的组合。

指定开始和结束，默认为每日频率。

>>> pd.date_range(start='1/1/2018', end='1/08/2018')
DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04',
 '2018-01-05', '2018-01-06', '2018-01-07', '2018-01-08'],
 dtype='datetime64[ns]', freq='D')

指定时区感知的开始和结束，默认为每日频率。

>>> pd.date_range(
...     start=pd.to_datetime("1/1/2018").tz_localize("Europe/Berlin"),
...     end=pd.to_datetime("1/08/2018").tz_localize("Europe/Berlin"),
... )
DatetimeIndex(['2018-01-01 00:00:00+01:00', '2018-01-02 00:00:00+01:00',
 '2018-01-03 00:00:00+01:00', '2018-01-04 00:00:00+01:00',
 '2018-01-05 00:00:00+01:00', '2018-01-06 00:00:00+01:00',
 '2018-01-07 00:00:00+01:00', '2018-01-08 00:00:00+01:00'],
 dtype='datetime64[ns, Europe/Berlin]', freq='D')

指定开始和周期，周期数（天数）。

>>> pd.date_range(start='1/1/2018', periods=8)
DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04',
 '2018-01-05', '2018-01-06', '2018-01-07', '2018-01-08'],
 dtype='datetime64[ns]', freq='D')

指定结束和周期，周期数（天数）。

>>> pd.date_range(end='1/1/2018', periods=8)
DatetimeIndex(['2017-12-25', '2017-12-26', '2017-12-27', '2017-12-28',
 '2017-12-29', '2017-12-30', '2017-12-31', '2018-01-01'],
 dtype='datetime64[ns]', freq='D')

指定开始、结束和周期；频率将自动生成（线性间隔）。

>>> pd.date_range(start='2018-04-24', end='2018-04-27', periods=3)
DatetimeIndex(['2018-04-24 00:00:00', '2018-04-25 12:00:00',
 '2018-04-27 00:00:00'],
 dtype='datetime64[ns]', freq=None)

其他参数

将 freq（频率）更改为 'ME'（月末频率）。

>>> pd.date_range(start='1/1/2018', periods=5, freq='ME')
DatetimeIndex(['2018-01-31', '2018-02-28', '2018-03-31', '2018-04-30',
 '2018-05-31'],
 dtype='datetime64[ns]', freq='ME')

允许使用倍数。

>>> pd.date_range(start='1/1/2018', periods=5, freq='3ME')
DatetimeIndex(['2018-01-31', '2018-04-30', '2018-07-31', '2018-10-31',
 '2019-01-31'],
 dtype='datetime64[ns]', freq='3ME')

freq 也可以指定为一个 Offset 对象。

>>> pd.date_range(start='1/1/2018', periods=5, freq=pd.offsets.MonthEnd(3))
DatetimeIndex(['2018-01-31', '2018-04-30', '2018-07-31', '2018-10-31',
 '2019-01-31'],
 dtype='datetime64[ns]', freq='3ME')

指定时区以设置时区。

>>> pd.date_range(start='1/1/2018', periods=5, tz='Asia/Tokyo')
DatetimeIndex(['2018-01-01 00:00:00+09:00', '2018-01-02 00:00:00+09:00',
 '2018-01-03 00:00:00+09:00', '2018-01-04 00:00:00+09:00',
 '2018-01-05 00:00:00+09:00'],
 dtype='datetime64[ns, Asia/Tokyo]', freq='D')

inclusive 控制是否包括位于边界上的开始和结束。默认值“both”包括两端的边界点。

>>> pd.date_range(start='2017-01-01', end='2017-01-04', inclusive="both")
DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03', '2017-01-04'],
 dtype='datetime64[ns]', freq='D')

使用 inclusive='left' 来排除结束如果它在边界上的情况。

>>> pd.date_range(start='2017-01-01', end='2017-01-04', inclusive='left')
DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03'],
 dtype='datetime64[ns]', freq='D')

使用 inclusive='right' 来排除开始如果它在边界上的情况，类似地，inclusive='neither' 将同时排除开始和结束。

>>> pd.date_range(start='2017-01-01', end='2017-01-04', inclusive='right')
DatetimeIndex(['2017-01-02', '2017-01-03', '2017-01-04'],
 dtype='datetime64[ns]', freq='D')

指定单位

>>> pd.date_range(start="2017-01-01", periods=10, freq="100YS", unit="s")
DatetimeIndex(['2017-01-01', '2117-01-01', '2217-01-01', '2317-01-01',
 '2417-01-01', '2517-01-01', '2617-01-01', '2717-01-01',
 '2817-01-01', '2917-01-01'],
 dtype='datetime64[s]', freq='100YS-JAN')

`pandas.bdate_range`

原文：pandas.pydata.org/docs/reference/api/pandas.bdate_range.html

pandas.bdate_range(start=None, end=None, periods=None, freq='B', tz=None, normalize=True, name=None, weekmask=None, holidays=None, inclusive='both', **kwargs)

返回一个以工作日为默认的固定频率 DatetimeIndex。

参数：

start字符串或类似 datetime 的对象，默认为 None

生成日期的左边界。

end字符串或类似 datetime 的对象，默认为 None

生成日期的右边界。

periods整数，默认为 None

要生成的周期数。

freq字符串，Timedelta，datetime.timedelta 或 DateOffset，默认为‘B’

频率字符串可以有多个，例如‘5h’。默认为工作日（‘B’）。

tz字符串或 None

返回本地化 DatetimeIndex 的时区名称，例如 Asia/Beijing。

normalize布尔值，默认为 False

在生成日期范围之前，将开始/结束日期标准化为午夜。

name字符串，默认为 None

结果 DatetimeIndex 的名称。

weekmask字符串或 None，默认为 None

有效工作日的周掩码，传递给numpy.busdaycalendar，仅在传递自定义频率字符串时使用。默认值 None 等同于‘Mon Tue Wed Thu Fri’。

holidays列表或 None，默认为 None

要从有效工作日集中排除的日期，传递给numpy.busdaycalendar，仅在传递自定义频率字符串时使用。

inclusive，默认为“both”

包括边界；是否将每个边界设置为闭合或开放。

版本 1.4.0 中的新功能。

**kwargs

为了兼容性。对结果没有影响。

DatetimeIndex

注意

在四个参数中：start、end、periods和freq，必须指定三个。对于bdate_range，指定freq是必需的。如果不希望指定freq，请使用date_range。

要了解更多关于频率字符串的信息，请查看此链接。

示例

注意结果中如何跳过两个周末日。

>>> pd.bdate_range(start='1/1/2018', end='1/08/2018')
DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04',
 '2018-01-05', '2018-01-08'],
 dtype='datetime64[ns]', freq='B')

`pandas.period_range`

原文：pandas.pydata.org/docs/reference/api/pandas.period_range.html

pandas.period_range(start=None, end=None, periods=None, freq=None, name=None)

返回一个固定频率的 PeriodIndex。

默认频率为日历日。

参数：

startstr、datetime、date、pandas.Timestamp 或 period-like，默认为 None

生成周期的左边界。

endstr、datetime、date、pandas.Timestamp 或 period-like，默认为 None

生成周期的右边界。

periodsint，默认为 None

要生成的周期数。

freqstr 或 DateOffset，可选

频率别名。默认情况下，如果 start 或 end 是 Period 对象，则从中获取 freq。否则，默认为每日频率 "D"。

namestr，默认为 None

结果 PeriodIndex 的名称。

PeriodIndex

注意事项

在三个参数 start、end 和 periods 中，必须指定两个。

要了解更多有关频率字符串的信息，请参阅此链接。

示例

>>> pd.period_range(start='2017-01-01', end='2018-01-01', freq='M')
PeriodIndex(['2017-01', '2017-02', '2017-03', '2017-04', '2017-05', '2017-06',
 '2017-07', '2017-08', '2017-09', '2017-10', '2017-11', '2017-12',
 '2018-01'],
 dtype='period[M]')

如果 start 或 end 是 Period 对象，则它们将用作与 period_range 构造函数匹配频率的锚定端点的 PeriodIndex。

>>> pd.period_range(start=pd.Period('2017Q1', freq='Q'),
...                 end=pd.Period('2017Q2', freq='Q'), freq='M')
PeriodIndex(['2017-03', '2017-04', '2017-05', '2017-06'],
 dtype='period[M]')

`pandas.timedelta_range`

原文：pandas.pydata.org/docs/reference/api/pandas.timedelta_range.html

pandas.timedelta_range(start=None, end=None, periods=None, freq=None, name=None, closed=None, *, unit=None)

返回一个以天为默认值的固定频率 TimedeltaIndex。

参数：

startstr 或类似时间增量，默认为 None

生成时间增量的左边界。

endstr 或类似时间增量，默认为 None

生成时间增量的右边界。

periodsint，默认为 None

要生成的周期数。

freqstr、Timedelta、datetime.timedelta 或 DateOffset，默认为‘D’

频率字符串可以有多个，例如‘5h’。

namestr，默认为 None

结果 TimedeltaIndex 的名称。

closedstr，默认为 None

使间隔相对于给定频率在‘左’、‘右’或两侧（None）上闭合。

unitstr，默认为 None

指定结果的所需分辨率。

在 2.0.0 版本中新增。

TimedeltaIndex

注意

在四个参数start、end、periods和freq中，必须指定三个。如果省略freq，则生成的TimedeltaIndex将在start和end之间（两侧都闭合）具有periods个线性间隔的元素。

要了解更多关于频率字符串的信息，请参见此链接。

示例

>>> pd.timedelta_range(start='1 day', periods=4)
TimedeltaIndex(['1 days', '2 days', '3 days', '4 days'],
 dtype='timedelta64[ns]', freq='D')

closed参数指定包含哪个端点。默认行为是包含两个端点。

>>> pd.timedelta_range(start='1 day', periods=4, closed='right')
TimedeltaIndex(['2 days', '3 days', '4 days'],
 dtype='timedelta64[ns]', freq='D')

freq参数指定 TimedeltaIndex 的频率。只能传递固定频率，非固定频率如‘M’（月末）会引发错误。

>>> pd.timedelta_range(start='1 day', end='2 days', freq='6h')
TimedeltaIndex(['1 days 00:00:00', '1 days 06:00:00', '1 days 12:00:00',
 '1 days 18:00:00', '2 days 00:00:00'],
 dtype='timedelta64[ns]', freq='6h')

指定start、end和periods；频率将自动生成（线性间隔）。

>>> pd.timedelta_range(start='1 day', end='5 days', periods=4)
TimedeltaIndex(['1 days 00:00:00', '2 days 08:00:00', '3 days 16:00:00',
 '5 days 00:00:00'],
 dtype='timedelta64[ns]', freq=None)

指定一个单位

>>> pd.timedelta_range("1 Day", periods=3, freq="100000D", unit="s")
TimedeltaIndex(['1 days', '100001 days', '200001 days'],
 dtype='timedelta64[s]', freq='100000D')

`pandas.infer_freq`

原文：pandas.pydata.org/docs/reference/api/pandas.infer_freq.html

pandas.infer_freq(index)

推断给定输入索引的最可能频率。

参数：

索引：DatetimeIndex、TimedeltaIndex、Series 或者类似数组

如果传递了一个 Series，将使用该系列的值（而不是索引）。

字符串或者 None

如果没有明显的频率，则为 None。

引发：

TypeError

如果索引不是类似于日期时间的。

ValueError

如果值少于三个。

示例

>>> idx = pd.date_range(start='2020/12/01', end='2020/12/30', periods=30)
>>> pd.infer_freq(idx)
'D'

`pandas.interval_range`

原文：pandas.pydata.org/docs/reference/api/pandas.interval_range.html

pandas.interval_range(start=None, end=None, periods=None, freq=None, name=None, closed='right')

返回一个固定频率的 IntervalIndex。

参数：

start数值或类似日期时间，默认为 None

生成区间的左边界。

end数值或类似日期时间，默认为 None

生成区间的右边界。

periodsint，默认为 None

要生成的周期数。

freq数值、字符串、Timedelta、datetime.timedelta 或 DateOffset，默认为 None

每个区间的长度。必须与 start 和 end 的类型一致，例如数值为 2，或者类似日期时间为‘5H’。数值类型默认为 1，类似日期时间默认为‘D’。

name字符串，默认为 None

结果 IntervalIndex 的名称。

closed，默认为‘right’

区间是在左侧、右侧、两侧还是无一侧闭合。

区间索引

另请参阅

IntervalIndex

一个在同一侧都是闭合的区间索引。

注意

四个参数start、end、periods和freq中，必须指定三个。如果省略了freq，则生成的IntervalIndex将在start和end之间（包括两端）均匀间隔periods个元素。

要了解更多关于类似日期时间频率字符串的信息，请参阅此链接。

示例

支持数值类型的start和end。

>>> pd.interval_range(start=0, end=5)
IntervalIndex([(0, 1], (1, 2], (2, 3], (3, 4], (4, 5]],
 dtype='interval[int64, right]')

此外，也支持类似日期时间的输入。

>>> pd.interval_range(start=pd.Timestamp('2017-01-01'),
...                   end=pd.Timestamp('2017-01-04'))
IntervalIndex([(2017-01-01 00:00:00, 2017-01-02 00:00:00],
 (2017-01-02 00:00:00, 2017-01-03 00:00:00],
 (2017-01-03 00:00:00, 2017-01-04 00:00:00]],
 dtype='interval[datetime64[ns], right]')

freq参数指定 IntervalIndex 内各个区间的左右端点之间的频率。对于数值类型的start和end，频率也必须是数值类型。

>>> pd.interval_range(start=0, periods=4, freq=1.5)
IntervalIndex([(0.0, 1.5], (1.5, 3.0], (3.0, 4.5], (4.5, 6.0]],
 dtype='interval[float64, right]')

同样，对于类似日期时间的start和end，频率必须可以转换为 DateOffset。

>>> pd.interval_range(start=pd.Timestamp('2017-01-01'),
...                   periods=3, freq='MS')
IntervalIndex([(2017-01-01 00:00:00, 2017-02-01 00:00:00],
 (2017-02-01 00:00:00, 2017-03-01 00:00:00],
 (2017-03-01 00:00:00, 2017-04-01 00:00:00]],
 dtype='interval[datetime64[ns], right]')

指定start、end和periods；频率将自动生成（均匀间隔）。

>>> pd.interval_range(start=0, end=6, periods=4)
IntervalIndex([(0.0, 1.5], (1.5, 3.0], (3.0, 4.5], (4.5, 6.0]],
 dtype='interval[float64, right]')

closed参数指定 IntervalIndex 内各个区间的端点是闭合的哪一侧。

>>> pd.interval_range(end=5, periods=4, closed='both')
IntervalIndex([[1, 2], [2, 3], [3, 4], [4, 5]],
 dtype='interval[int64, both]')

`pandas.eval`

译文：pandas.pydata.org/docs/reference/api/pandas.eval.html

pandas.eval(expr, parser='pandas', engine=None, local_dict=None, global_dict=None, resolvers=(), level=0, target=None, inplace=False)

使用不同后端以字符串形式评估 Python 表达式。

支持以下算术运算：+、-、*、/、**、%、//（仅限 python 引擎），以及以下布尔运算：|（或）、&（与）和 ~（非）。此外，'pandas' 解析器允许使用 and、or 和 not，其语义与相应的位运算符相同。支持 Series 和 DataFrame 对象，并且表现方式与普通的 Python 评估相同。

参数：

exprstr

要评估的表达式。此字符串不能包含任何 Python 语句，只能包含 Python 表达式。

parser，默认为 ‘pandas’

用于从表达式构造语法树的解析器。默认值为 'pandas'，与标准 Python 稍有不同。或者，您可以使用 'python' 解析器解析表达式以保留严格的 Python 语义。有关更多详细信息，请参阅增强性能文档。

engine��默认为 ‘numexpr’

用于评估表达式的引擎。支持的引擎有

None：尝试使用 numexpr，如果失败则退回到 python
'numexpr'：此默认引擎使用 numexpr 评估 pandas 对象，可大幅提高具有大型帧的复杂表达式的速度。
'python'：执行操作，就好像在顶层 Python 中执行了 eval。此引擎通常不太有用。

未来可能会提供更多后端。

local_dictdict 或 None，可选

本地变量字典，默认为 locals()。

global_dictdict 或 None，可选

全局变量字典，默认为 globals()。

resolversdict-like 列表或 None，可选

一个实现 __getitem__ 特殊方法的对象列表，您可以使用它们来注入额外的命名空间集合，以用于变量查找。例如，在 query() 方法中使用它来注入 DataFrame.index 和 DataFrame.columns 变量，这些变量分别指代它们各自的 DataFrame 实例属性。

levelint，可选

要遍历并添加到当前作用域的先前堆栈帧数。大多数用户不需要更改此参数。

目标对象，可选，默认为 None

这是用于赋值的目标对象。当表达式中有变量赋值时使用。如果是这样，那么目标必须支持使用字符串键进行项目分配，并且如果返回一个副本，则它还必须支持.copy()。

inplace布尔值，默认为 False

如果提供了目标对象，并且表达式会改变目标对象，则决定是否就地修改目标对象。否则，返回带有变异的目标对象的副本。

ndarray、数值标量、DataFrame、Series 或 None

评估给定代码的完成值，如果inplace=True则为 None。

引发：

ValueError

有许多情况会引发此类错误：

目标为 None，但表达式是多行的。
表达式是多行的，但并非所有都有项目分配。一个这样排列的示例是：

a = b + 1 a + 2

这里有不同行上的表达式，使其成为多行，但最后一行没有将 a + 2 的输出分配给任何变量。
inplace=True，但表达式缺少项目分配。
提供了项目分配，但目标不支持字符串项目分配。
提供了项目分配且 inplace=False，但目标不支持.copy()方法

另请参见

DataFrame.query

评估布尔表达式以查询帧的列。

DataFrame.eval

评估描述 DataFrame 列操作的字符串。

注意

参与算术%操作的任何对象的dtype都会递归转换为float64。

有关更多详细信息，请参阅提高性能文档。

示例

>>> df = pd.DataFrame({"animal": ["dog", "pig"], "age": [10, 20]})
>>> df
 animal  age
0    dog   10
1    pig   20

我们可以使用pd.eval添加一个新列：

>>> pd.eval("double_age = df.age * 2", target=df)
 animal  age  double_age
0    dog   10          20
1    pig   20          40

`pandas.tseries.api.guess_datetime_format`

原文：pandas.pydata.org/docs/reference/api/pandas.tseries.api.guess_datetime_format.html

pandas.tseries.api.guess_datetime_format(dt_str, dayfirst=False)

猜测给定日期时间字符串的日期时间格式。

参数：

dt_strstr

要猜测格式的日期时间字符串。

dayfirstbool，默认为 False

如果为 True，则解析日期时以日期为首，例如 20/01/2005

警告

dayfirst=True 不是严格的，但会倾向于首先解析日期（这是一个已知的 bug）。

str or Noneret

日期时间格式字符串（用于 strftime 或 strptime），如果无法猜测则为 None。

示例

>>> from pandas.tseries.api import guess_datetime_format
>>> guess_datetime_format('09/13/2023')
'%m/%d/%Y'

>>> guess_datetime_format('2023|September|13')

`pandas.util.hash_array`

原文：pandas.pydata.org/docs/reference/api/pandas.util.hash_array.html

pandas.util.hash_array(vals, encoding='utf8', hash_key='0123456789123456', categorize=True)

给定一个一维数组，返回一个确定性整数数组。

参数：

valsndarray 或 ExtensionArray

encodingstr，默认为'utf8'

字符串数据和键的编码。

hash_keystr，默认为 _default_hash_key

用于编码字符串键的哈希键。

categorizebool，默认为 True

是否在哈希之前先对对象数组进行分类。当数组包含重复值时，这样做更有效率。

返回值：

ndarray[np.uint64, ndim=1]

哈希值，与 vals 长度相同。

示例

>>> pd.util.hash_array(np.array([1, 2, 3]))
array([ 6238072747940578789, 15839785061582574730,  2185194620014831856],
 dtype=uint64)

`pandas.util.hash_pandas_object`

原文：pandas.pydata.org/docs/reference/api/pandas.util.hash_pandas_object.html

pandas.util.hash_pandas_object(obj, index=True, encoding='utf8', hash_key='0123456789123456', categorize=True)

返回一个索引/系列/数据帧的数据哈希。

参数：

obj索引、系列或数据帧

indexbool，默认为 True

在哈希中包含索引（如果是系列/数据帧）。

encodingstr，默认为'utf8'

当字符串时，数据和键的编码。

hash_keystr，默认为 _default_hash_key

用于编码字符串键的哈希键。

categorizebool，默认为 True

是否在哈希之前首先对对象数组进行分类。当数组包含重复值时，这样更有效率。

与对象长度相同的 uint64 系列

示例

>>> pd.util.hash_pandas_object(pd.Series([1, 2, 3]))
0    14639053686158035780
1     3869563279212530728
2      393322362522515241
dtype: uint64

`pandas.api.interchange.from_dataframe`

原文：pandas.pydata.org/docs/reference/api/pandas.api.interchange.from_dataframe.html

pandas.api.interchange.from_dataframe(df, allow_copy=True)

从支持交换协议的任何 DataFrame 构建pd.DataFrame。

参数：

dfDataFrameXchg

支持交换协议的对象，即 dataframe 方法。

allow_copybool，默认值：True

是否允许复制内存以执行转换（如果为 false，则请求零拷贝方法）。

pd.DataFrame

示例

>>> df_not_necessarily_pandas = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
>>> interchange_object = df_not_necessarily_pandas.__dataframe__()
>>> interchange_object.column_names()
Index(['A', 'B'], dtype='object')
>>> df_pandas = (pd.api.interchange.from_dataframe
...              (interchange_object.select_columns_by_name(['A'])))
>>> df_pandas
 A
0    1
1    2

这些方法（column_names，select_columns_by_name）应该适用于任何实现交换协议的数据框库。

Series

原文：pandas.pydata.org/docs/reference/series.html

构造函数

`Series`([data, index, dtype, name, copy, ...])	具有轴标签（包括时间序列）的一维 ndarray。

属性

轴

`Series.index`	Series 的索引（轴标签）。
`Series.array`	支持此 Series 或 Index 的数据的 ExtensionArray。
`Series.values`	返回 Series 作为 ndarray 或者类似 ndarray，取决于 dtype。
`Series.dtype`	返回底层数据的 dtype 对象。
`Series.shape`	返回底层数据的形状的元组。
`Series.nbytes`	返回底层数据中的字节数。
`Series.ndim`	底层数据的维度数量，根据定义为 1。
`Series.size`	返回底层数据中的元素数量。
`Series.T`	返回转置，根据定义是自身。
`Series.memory_usage`([index, deep])	返回 Series 的内存使用情况。
`Series.hasnans`	如果存在任何 NaN，则返回 True。
`Series.empty`	指示 Series/DataFrame 是否为空。
`Series.dtypes`	返回底层数据的 dtype 对象。
`Series.name`	返回 Series 的名称。
`Series.flags`	获取与此 pandas 对象关联的属性。
`Series.set_flags`(*[, copy, ...])	返回具有更新标志的新对象。

转换

`Series.astype`(dtype[, copy, errors])	将 pandas 对象转换为指定的 dtype `dtype`。
`Series.convert_dtypes`([infer_objects, ...])	使用支持`pd.NA`的 dtype 将列转换为最佳可能的 dtype。
`Series.infer_objects`([copy])	尝试为对象列推断更好的 dtype。
`Series.copy`([deep])	复制此对象的索引和数据。
`Series.bool`()	（已弃用）返回单个元素 Series 或 DataFrame 的布尔值。
`Series.to_numpy`([dtype, copy, na_value])	表示此 Series 或 Index 中的值的 NumPy ndarray。
`Series.to_period`([freq, copy])	将 Series 从 DatetimeIndex 转换为 PeriodIndex。
`Series.to_timestamp`([freq, how, copy])	转换为时间戳的 DatetimeIndex，位于周期的开始。
`Series.to_list`()	返回值的列表。
`Series.__array__`([dtype, copy])	将值作为 NumPy 数组返回。

索引，迭代

`Series.get`(key[, default])	获取给定键（例如 DataFrame 列）的对象中的项目。
`Series.at`	访问行/列标签对的单个值。
`Series.iat`	通过整数位置访问行/列对的单个值。
`Series.loc`	通过标签或布尔数组访问一组行和列。
`Series.iloc`	（已弃用）基于纯整数位置的索引，按位置选择。
`Series.__iter__`()	返回值的迭代器。
`Series.items`()	惰性地遍历（索引，值）元组。
`Series.keys`()	返回索引的别名。
`Series.pop`(item)	返回项目并从系列中删除。
`Series.item`()	将底层数据的第一个元素作为 Python 标量返回。
`Series.xs`(key[, axis, level, drop_level])	从系列/数据框返回横截面。

更多关于 .at, .iat, .loc, 和 .iloc 的信息，请参阅索引文档。

二元运算符函数

`Series.add`(other[, level, fill_value, axis])	返回系列和其他元素的加法（二元运算符 add）。
`Series.sub`(other[, level, fill_value, axis])	返回系列和其他元素的减法（二元运算符 sub）。
`Series.mul`(other[, level, fill_value, axis])	返回系列和其他元素的乘法（二元运算符 mul）。
`Series.div`(other[, level, fill_value, axis])	返回系列和其他元素的浮点除法（二元运算符 truediv）。
`Series.truediv`(other[, level, fill_value, axis])	返回系列和其他元素的浮点除法（二元运算符 truediv）。
`Series.floordiv`(other[, level, fill_value, axis])	返回系列和其他元素的整数除法（二元运算符 floordiv）。
`Series.mod`(other[, level, fill_value, axis])	返回系列和其他元素的模运算（二元运算符 mod）。
`Series.pow`(other[, level, fill_value, axis])	返回系列和其他元素的指数幂运算（二元运算符 pow）。
`Series.radd`(other[, level, fill_value, axis])	返回系列和其他元素的加法（二元运算符 radd）。
`Series.rsub`(other[, level, fill_value, axis])	返回系列和其他元素的减法（二元运算符 rsub）。
`Series.rmul`(other[, level, fill_value, axis])	返回系列和其他元素的乘法（二元运算符 rmul）。
`Series.rdiv`(other[, level, fill_value, axis])	返回系列和其他元素的浮点除法（二元运算符 rtruediv）。
`Series.rtruediv`(other[, level, fill_value, axis])	返回 Series 和其他的浮点除法，逐元素进行（二元运算符 rtruediv）。
`Series.rfloordiv`(other[, level, fill_value, ...])	返回 Series 和其他的整数除法，逐元素进行（二元运算符 rfloordiv）。
`Series.rmod`(other[, level, fill_value, axis])	返回 Series 和其他的模运算，逐元素进行（二元运算符 rmod）。
`Series.rpow`(other[, level, fill_value, axis])	返回 Series 和其他的指数幂，逐元素进行（二元运算符 rpow）。
`Series.combine`(other, func[, fill_value])	根据 func 将 Series 与 Series 或标量组合。
`Series.combine_first`(other)	用 'other' 中相同位置的值更新空元素。
`Series.round`([decimals])	将 Series 中的每个值四舍五入到给定的小数位数。
`Series.lt`(other[, level, fill_value, axis])	返回 Series 和其他的小于关系，逐元素进行（二元运算符 lt）。
`Series.gt`(other[, level, fill_value, axis])	返回 Series 和其他的大于关系，逐元素进行（二元运算符 gt）。
`Series.le`(other[, level, fill_value, axis])	返回 Series 和其他的小于或等于关系，逐元素进行（二元运算符 le）。
`Series.ge`(other[, level, fill_value, axis])	返回 Series 和其他的大于或等于关系，逐元素进行（二元运算符 ge）。
`Series.ne`(other[, level, fill_value, axis])	返回 Series 和其他的不等于关系，逐元素进行（二元运算符 ne）。
`Series.eq`(other[, level, fill_value, axis])	返回 Series 和其他的等于关系，逐元素进行（二元运算符 eq）。
`Series.product`([axis, skipna, numeric_only, ...])	返回请求轴上值的乘积。
`Series.dot`(other)	计算 Series 和其他列之间的点积。

函数应用、GroupBy 和窗口

`Series.apply`(func[, convert_dtype, args, by_row])	在 Series 的值上调用函数。
`Series.agg`([func, axis])	使用一个或多个操作聚合指定轴上的数据。
`Series.aggregate`([func, axis])	使用一个或多个操作聚合指定轴上的数据。
`Series.transform`(func[, axis])	对自身调用 `func`，产生与自身轴形状相同的 Series。
`Series.map`(arg[, na_action])	根据输入的映射或函数映射 Series 的值。
`Series.groupby`([by, axis, level, as_index, ...])	使用映射器或列的 Series 进行分组。
`Series.rolling`(window[, min_periods, ...])	提供滚动窗口计算。
`Series.expanding`([min_periods, axis, method])	提供扩展窗口计算。
`Series.ewm`([com, span, halflife, alpha, ...])	提供指数加权 (EW) 计算。
`Series.pipe`(func, args, *kwargs)	应用可链式调用的函数，期望 Series 或 DataFrame 作为输入。

计算 / 描述统计

`Series.abs`()	返回具有每个元素的绝对数值的 Series/DataFrame。
`Series.all`([axis, bool_only, skipna])	返回是否所有元素均为 True，可能沿着轴进行计算。
`Series.any`(*[, axis, bool_only, skipna])	返回是否有任何元素为 True，可能沿着轴进行计算。
`Series.autocorr`([lag])	计算滞后 N 的自相关。
`Series.between`(left, right[, inclusive])	返回等同于 left <= series <= right 的布尔 Series。
`Series.clip`([lower, upper, axis, inplace])	在输入阈值处修剪值。
`Series.corr`(other[, method, min_periods])	计算与其他 Series 的相关性，不包括缺失值。
`Series.count`()	返回 Series 中非 NA/null 观测值的数量。
`Series.cov`(other[, min_periods, ddof])	计算与 Series 的协方差，不包括缺失值。
`Series.cummax`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积最大值。
`Series.cummin`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积最小值。
`Series.cumprod`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积乘积。
`Series.cumsum`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积和。
`Series.describe`([percentiles, include, exclude])	生成描述性统计信息。
`Series.diff`([periods])	元素的第一个离散差异。
`Series.factorize`([sort, use_na_sentinel])	将对象编码为枚举类型或分类变量。
`Series.kurt`([axis, skipna, numeric_only])	返回请求轴上的无偏峰度。
`Series.max`([axis, skipna, numeric_only])	返回请求轴上的最大值。
`Series.mean`([axis, skipna, numeric_only])	返回请求轴上的均值。
`Series.median`([axis, skipna, numeric_only])	返回请求轴上的中位数。
`Series.min`([axis, skipna, numeric_only])	返回请求轴上的最小值。
`Series.mode`([dropna])	返回 Series 的众数。
`Series.nlargest`([n, keep])	返回最大的 n 个元素。
`Series.nsmallest`([n, keep])	返回最小的 n 个元素。
`Series.pct_change`([periods, fill_method, ...])	当前元素与先前元素之间的分数变化。
`Series.prod`([axis, skipna, numeric_only, ...])	返回请求轴上的值的乘积。
`Series.quantile`([q, interpolation])	返回给定分位数处的值。
`Series.rank`([axis, method, numeric_only, ...])	沿轴计算数值数据排名（1 到 n）。
`Series.sem`([axis, skipna, ddof, numeric_only])	返回请求轴上的均值的无偏标准误差。
`Series.skew`([axis, skipna, numeric_only])	返回请求轴上的无偏斜度。
`Series.std`([axis, skipna, ddof, numeric_only])	返回请求轴上的样本标准差。
`Series.sum`([axis, skipna, numeric_only, ...])	返回请求轴上的值的总和。
`Series.var`([axis, skipna, ddof, numeric_only])	返回请求轴上的无偏方差。
`Series.kurtosis`([axis, skipna, numeric_only])	返回请求轴上的无偏��度。
`Series.unique`()	返回 Series 对象的唯一值。
`Series.nunique`([dropna])	返回对象中唯一元素的数量。
`Series.is_unique`	如果对象中的值是唯一的，则返回布尔值。
`Series.is_monotonic_increasing`	如果对象中的值单调递增，则返回布尔值。
`Series.is_monotonic_decreasing`	如果对象中的值单调递减，则返回布尔值。
`Series.value_counts`([normalize, sort, ...])	返回包含唯一值计数的 Series。

重新索引/选择/标签操作

`Series.align`(other[, join, axis, level, ...])	使用指定的连接方法在它们的轴上对齐两个对象。
`Series.case_when`(caselist)	替换条件为 True 的值。
`Series.drop`([labels, axis, index, columns, ...])	返回删除指定索引标签的 Series。
`Series.droplevel`(level[, axis])	返回删除请求的索引/列级别的 Series/DataFrame。
`Series.drop_duplicates`(*[, keep, inplace, ...])	返回删除重复值的 Series。
`Series.duplicated`([keep])	指示重复的 Series 值。
`Series.equals`(other)	测试两个对象是否包含相同的元素。
`Series.first`(offset)	(已弃用) 根据日期偏移量选择时间序列数据的初始周期。
`Series.head`([n])	返回前 n 行。
`Series.idxmax`([axis, skipna])	返回最大值的行标签。
`Series.idxmin`([axis, skipna])	返回最小值的行标签。
`Series.isin`(values)	Series 中的元素是否包含在 values 中。
`Series.last`(offset)	(已弃用) 根据日期偏移量选择时间序列数据的最终周期。
`Series.reindex`([index, axis, method, copy, ...])	将 Series 调整为具有新索引的对象，并可选择填充逻辑。
`Series.reindex_like`(other[, method, copy, ...])	返回具有与其他对象匹配索引的对象。
`Series.rename`([index, axis, copy, inplace, ...])	修改 Series 的索引标签或名称。
`Series.rename_axis`([mapper, index, axis, ...])	为索引或列设置轴的名称。
`Series.reset_index`([level, drop, name, ...])	生成一个重置索引的新 DataFrame 或 Series。
`Series.sample`([n, frac, replace, weights, ...])	从对象的一个轴中返回随机抽样的项目。
`Series.set_axis`(labels, *[, axis, copy])	为给定轴分配所需的索引。
`Series.take`(indices[, axis])	沿着一个轴返回给定位置索引处的元素。
`Series.tail`([n])	返回最后 n 行。
`Series.truncate`([before, after, axis, copy])	截断 Series 或 DataFrame 在某个索引值之前和之后。
`Series.where`(cond[, other, inplace, axis, level])	替换条件为 False 的值。
`Series.mask`(cond[, other, inplace, axis, level])	替换条件为 True 的值。
`Series.add_prefix`(prefix[, axis])	用字符串前缀添加标签。
`Series.add_suffix`(suffix[, axis])	用字符串后缀添加标签。
`Series.filter`([items, like, regex, axis])	根据指定的索引标签对数据帧的行或列进行子集筛选。

缺失数据处理

`Series.backfill`(*[, axis, inplace, limit, ...])	(已弃用) 使用下一个有效观察值填充 NA/NaN 值。
`Series.bfill`(*[, axis, inplace, limit, ...])	使用下一个有效观察值填充 NA/NaN 值。
`Series.dropna`(*[, axis, inplace, how, ...])	返回一个删除缺失值的新 Series。
`Series.ffill`(*[, axis, inplace, limit, ...])	通过将最后一个有效观察结果传播到下一个有效结果来填充 NA/NaN 值。
`Series.fillna`([value, method, axis, ...])	使用指定方法填充 NA/NaN 值。
`Series.interpolate`([method, axis, limit, ...])	使用插值方法填充 NaN 值。
`Series.isna`()	检测缺失值。
`Series.isnull`()	Series.isnull 是 Series.isna 的别名。
`Series.notna`()	检测存在的（非缺失）值。
`Series.notnull`()	Series.notnull 是 Series.notna 的别名。
`Series.pad`(*[, axis, inplace, limit, downcast])	(已弃用) 通过将最后一个有效观察结果传播到下一个有效结果来填充 NA/NaN 值。
`Series.replace`([to_replace, value, inplace, ...])	用 value 替换 to_replace 中给定的值。

重塑，排序

`Series.argsort`([axis, kind, order, stable])	返回将 Series 值排序的整数索引。
`Series.argmin`([axis, skipna])	返回 Series 中最小值的整数位置。
`Series.argmax`([axis, skipna])	返回 Series 中最大值的整数位置。
`Series.reorder_levels`(order)	使用输入顺序重新排列索引级别。
`Series.sort_values`(*[, axis, ascending, ...])	按值排序。
`Series.sort_index`(*[, axis, level, ...])	按索引标签对 Series 进行排序。
`Series.swaplevel`([i, j, copy])	在 `MultiIndex` 中交换级别 i 和 j。
`Series.unstack`([level, fill_value, sort])	将具有 MultiIndex 的 Series 解压缩，也称为透视，以生成 DataFrame。
`Series.explode`([ignore_index])	将列表样式的每个元素转换为一行。
`Series.searchsorted`(value[, side, sorter])	查找应插入元素以保持顺序的索引。
`Series.ravel`([order])	（已弃用）将扁平化的基础数据返回为 ndarray 或 ExtensionArray。
`Series.repeat`(repeats[, axis])	重复 Series 的元素。
`Series.squeeze`([axis])	将 1 维轴对象压缩为标量。
`Series.view`([dtype])	（已弃用）创建 Series 的新视图。

合并/比较/连接/合并

`Series.compare`(other[, align_axis, ...])	与另一个 Series 进行比较并显示差异。
`Series.update`(other)	使用传递的 Series 的值就地修改 Series。

与时间序列相关

`Series.asfreq`(freq[, method, how, ...])	将时间序列转换为指定频率。
`Series.asof`(where[, subset])	返回 where 之前没有任何 NaN 的最后一行。
`Series.shift`([periods, freq, axis, ...])	将索引按所需的周期数移动，可选地使用时间频率。
`Series.first_valid_index`()	返回第一个非 NA 值的索引，如果找不到非 NA 值，则返回 None。
`Series.last_valid_index`()	返回最后一个非 NA 值的索引，如果找不到非 NA 值，则返回 None。
`Series.resample`(rule[, axis, closed, label, ...])	对时间序列数据重新采样。
`Series.tz_convert`(tz[, axis, level, copy])	将 tz-aware 轴转换为目标时区。
`Series.tz_localize`(tz[, axis, level, copy, ...])	将序列或数据框的 tz-naive 索引本地化到目标时区。
`Series.at_time`(time[, asof, axis])	选择一天中特定时间的值（例如，上午 9:30）。
`Series.between_time`(start_time, end_time[, ...])	选择一天中特定时间段的值（例如，上午 9:00-9:30）。

访问器

pandas 在各种访问器下提供了特定于数据类型的方法。这些是在 Series 中的单独命名空间，仅适用于特定的数据类型。

`Series.str`	`StringMethods` 的别名
`Series.cat`	`CategoricalAccessor` 的别名
`Series.dt`	`CombinedDatetimelikeProperties` 的别名
`Series.sparse`	`SparseAccessor` 的别名
`DataFrame.sparse`	`SparseFrameAccessor` 的别名
`Index.str`	`StringMethods` 的别名
数据类型	访问器
---	---
日期时间、时间差、周期	dt
字符串	str
分类	cat
稀疏	sparse

日期时间属性

Series.dt 可以用于访问序列的日期时间值并返回多个属性。这些可以像 Series.dt.<property> 这样访问。

日期时间属性

`Series.dt.date`	返回 Python `datetime.date` 对象的 numpy 数组。
`Series.dt.time`	返回 Python `datetime.time` 对象的 numpy 数组。
`Series.dt.timetz`	返回带有时区的 Python `datetime.time` 对象的 numpy 数组。
`Series.dt.year`	日期时间的年份。
`Series.dt.month`	月份，1 代表一月，12 代表十二月。
`Series.dt.day`	日期时间的天数。
`Series.dt.hour`	日期时间的小时数。
`Series.dt.minute`	日期时间的分钟数。
`Series.dt.second`	日期时间的秒数。
`Series.dt.microsecond`	日期时间的微秒数。
`Series.dt.nanosecond`	日期时间的纳秒数。
`Series.dt.dayofweek`	一周中的星期几，星期一=0，星期日=6。
`Series.dt.day_of_week`	一周中的星期几，星期一=0，星期日=6。
`Series.dt.weekday`	一周中的星期几，星期一=0，星期日=6。
`Series.dt.dayofyear`	年份中的第几天。
`Series.dt.day_of_year`	年份中的第几天。
`Series.dt.days_in_month`	月份中的天数。
`Series.dt.quarter`	日期所在的季度。
`Series.dt.is_month_start`	指示日期是否是月份的第一天。
`Series.dt.is_month_end`	指示日期是否是月份的最后一天。
`Series.dt.is_quarter_start`	指示日期是否是一个季度的第一天。
`Series.dt.is_quarter_end`	指示日期是否是一个季度的最后一天。
`Series.dt.is_year_start`	指示日期是否是一年的第一天。
`Series.dt.is_year_end`	指示日期是否为年末的标志。
`Series.dt.is_leap_year`	布尔值指示日期是否属于闰年。
`Series.dt.daysinmonth`	月份中的天数。
`Series.dt.days_in_month`	月份中的天数。
`Series.dt.tz`	返回时区。
`Series.dt.freq`	返回此 PeriodArray 的频率对象。
`Series.dt.unit`

日期时间方法

`Series.dt.isocalendar`()	根据 ISO 8601 标准计算年、周和日。
`Series.dt.to_period`(args, *kwargs)	在特定频率下转换为 PeriodArray/PeriodIndex。
`Series.dt.to_pydatetime`()	(已弃用)将数据作为 `datetime.datetime` 对象数组返回。
`Series.dt.tz_localize`(args, *kwargs)	将时区无关的日期时间数组/索引本地化为时区感知的日期时间数组/索引。
`Series.dt.tz_convert`(args, *kwargs)	将时区感知的日期时间数组/索引从一个时区转换为另一个时区。
`Series.dt.normalize`(args, *kwargs)	将时间转换为午夜。
`Series.dt.strftime`(args, *kwargs)	使用指定的日期格式转换为索引。
`Series.dt.round`(args, *kwargs)	对数据执行向上取整操作到指定的频率。
`Series.dt.floor`(args, *kwargs)	对数据执行向下取整操作到指定的频率。
`Series.dt.ceil`(args, *kwargs)	对数据执行向上舍入操作以指定的频率。
`Series.dt.month_name`(args, *kwargs)	返回具有指定区域设置的月份名称。
`Series.dt.day_name`(args, *kwargs)	返回具有指定区域设置的星期几名称。
`Series.dt.as_unit`(args, *kwargs)

时期属性

`Series.dt.qyear`
`Series.dt.start_time`	获取周期开始的时间戳。
`Series.dt.end_time`	获取周期结束的时间戳。

时间差属性

`Series.dt.days`	每个元素的天数。
`Series.dt.seconds`	每个元素的秒数（大于等于 0 且小于 1 天）。
`Series.dt.microseconds`	每个元素的微秒数（大于等于 0 且小于 1 秒）。
`Series.dt.nanoseconds`	每个元素的纳秒数（大于等于 0 且小于 1 微秒）。
`Series.dt.components`	返回时间差的各个组成部分的 DataFrame。
`Series.dt.unit`

时间差方法

`Series.dt.to_pytimedelta`()	返回一个原生的 `datetime.timedelta` 对象数组。
`Series.dt.total_seconds`(args, *kwargs)	返回以秒为单位表示的每个元素的总持续时间。

| Series.dt.as_unit(*args, **kwargs) | | ### 字符串处理

Series.str 可用于访问系列的值作为字符串，并对其应用多种方法。可以像 Series.str.<function/property> 这样访问它们。

`Series.str.capitalize`	将 Series/Index 中的字符串转换为大写。
`Series.str.casefold`	将 Series/Index 中的字符串转换为小写。
`Series.str.cat`	使用给定的分隔符连接 Series/Index 中的字符串。
`Series.str.center`	在 Series/Index 中的字符串左右两侧填充。
`Series.str.contains`	测试 Series 或 Index 中的字符串是否包含模式或正则表达式。
`Series.str.count`	计算 Series/Index 中每个字符串中模式的出现次数。
`Series.str.decode`	使用指定的编码对 Series/Index 中的字符串进行解码。
`Series.str.encode`	使用指定的编码对 Series/Index 中的字符串进行编码。
`Series.str.endswith`	测试每个字符串元素的末尾是否与模式匹配。
`Series.str.extract`	在 DataFrame 中提取正则表达式 pat 中的捕获组作为列。
`Series.str.extractall`	在 DataFrame 中提取正则表达式 pat 中的捕获组作为列。
`Series.str.find`	返回 Series/Index 中每个字符串的最低索引。
`Series.str.findall`	在 Series/Index 中查找模式或正则表达式的所有匹配项。
`Series.str.fullmatch`	确定每个字符串是否完全匹配正则表达式。
`Series.str.get`(i)	从指定位置或指定键提取每个组件的元素。
`Series.str.index`(sub[, start, end])	返回系列/索引中每个字符串中最低的索引。
`Series.str.join`(sep)	使用指定的分隔符连接系列/索引中包含的元素列表。
`Series.str.len`()	计算系列/索引中每个元素的长度。
`Series.str.ljust`(width[, fillchar])	在系列/索引中的字符串右侧填充空格。
`Series.str.lower`()	将系列/索引中的字符串转换为小写。
`Series.str.lstrip`([to_strip])	删除前导字符。
`Series.str.match`(pat[, case, flags, na])	确定每个字符串是否以正则表达式的匹配开头。
`Series.str.normalize`(form)	返回系列/索引中字符串的 Unicode 规范形式。
`Series.str.pad`(width[, side, fillchar])	将系列/索引中的字符串填充到指定宽度。
`Series.str.partition`([sep, expand])	将字符串在第一次出现的分隔符处拆分。
`Series.str.removeprefix`(prefix)	从对象系列中删除前缀。
`Series.str.removesuffix`(suffix)	从对象系列中删除后缀。
`Series.str.repeat`(repeats)	在系列或索引中重复每个字符串。
`Series.str.replace`(pat, repl[, n, case, ...])	替换系列/索引中每个出现的模式/正则表达式。
`Series.str.rfind`(sub[, start, end])	返回系列/索引中每个字符串中最高的索引。
`Series.str.rindex`(sub[, start, end])	返回系列/索引中每个字符串的最高索引。
`Series.str.rjust`(width[, fillchar])	在系列/索引中字符串的左侧填充。
`Series.str.rpartition`([sep, expand])	在字符串中最后一次出现的位置分割字符串。
`Series.str.rstrip`([to_strip])	删除字符串末尾的字符。
`Series.str.slice`([start, stop, step])	从系列或索引中的每个元素中切片子字符串。
`Series.str.slice_replace`([start, stop, repl])	用另一个值替换字符串的位置切片。
`Series.str.split`([pat, n, expand, regex])	在给定的分隔符/定界符周围分割字符串。
`Series.str.rsplit`([pat, n, expand])	在给定的分隔符/定界符周围分割字符串。
`Series.str.startswith`(pat[, na])	检测每个字符串元素的开头是否匹配某个模式。
`Series.str.strip`([to_strip])	删除字符串的前导和尾随字符。
`Series.str.swapcase`()	将系列/索引中的字符串进行大小写交换。
`Series.str.title`()	将系列/索引中的字符串转换为标题格式。
`Series.str.translate`(table)	通过给定的映射表映射字符串中的所有字符。
`Series.str.upper`()	将系列/索引中的字符串转换为大写。
`Series.str.wrap`(width, **kwargs)	将系列/索引中的字符串按指定行宽进行换行。
`Series.str.zfill`(width)	在系列/索引中的字符串前面填充'0'字符。
`Series.str.isalnum`()	检查每个字符串中的所有字符是否都是字母数字。
`Series.str.isalpha`()	检查每个字符串中的所有字符是否都是字母。
`Series.str.isdigit`()	检查每个字符串中的所有字符是否都是数字。
`Series.str.isspace`()	检查每个字符串中的所有字符是否都是空格。
`Series.str.islower`()	检查每个字符串中的所有字符是否都是小写。
`Series.str.isupper`()	检查每个字符串中的所有字符是否都是大写。
`Series.str.istitle`()	检查每个字符串中的所有字符是否都是首字母大写。
`Series.str.isnumeric`()	检查每个字符串中的所有字符是否都是数字。
`Series.str.isdecimal`()	检查每个字符串中的所有字符是否都是十进制数。

| Series.str.get_dummies([sep]) | 返回 Series 的虚拟/指示变量的 DataFrame。 | ### 分类访问器

分类特定的方法和属性可以在Series.cat访问器下使用。

`Series.cat.categories`	此分类的类别。
`Series.cat.ordered`	类别是否具有有序关系。
`Series.cat.codes`	返回代码的 Series 以及索引。
`Series.cat.rename_categories`(args, *kwargs)	重命名类别。
`Series.cat.reorder_categories`(args, *kwargs)	根据 new_categories 指定的顺序重新排序类别。
`Series.cat.add_categories`(args, *kwargs)	添加新的类别。
`Series.cat.remove_categories`(args, *kwargs)	移除指定的类别。
`Series.cat.remove_unused_categories`(*args, ...)	移除未使用的类别。
`Series.cat.set_categories`(args, *kwargs)	将类别设置为指定的新类别。
`Series.cat.as_ordered`(args, *kwargs)	将分类设置为有序。

| Series.cat.as_unordered(*args, **kwargs) | 将分类设置为无序。 | ### 稀疏访问器

稀��-dtype 特定的方法和属性可在 Series.sparse 访问器下找到。

`Series.sparse.npoints`	非 `fill_value` 点的数量。
`Series.sparse.density`	非 `fill_value` 点的百分比，以小数表示。
`Series.sparse.fill_value`	数据中的 fill_value 元素不会被存储。
`Series.sparse.sp_values`	包含非 `fill_value` 值的 ndarray。
`Series.sparse.from_coo`(A[, dense_index])	从 scipy.sparse.coo_matrix 创建具有稀疏值的 Series。

| Series.sparse.to_coo([row_levels, ...]) | 从具有 MultiIndex 的 Series 创建一个 scipy.sparse.coo_matrix。 | ### 列表访问器

列表-dtype 特定的方法和属性可在 Series.list 访问器下找到。

`Series.list.flatten`()	展平列表值。
`Series.list.len`()	返回 Series 中每个列表的长度。

| Series.list.__getitem__(key) | 在 Series 中索引或切片列表。 | ### 结构访问器

箭头结构体 dtype 特定方法和属性在Series.struct访问器下提供。

`Series.struct.dtypes`	返回结构体的每个子字段的 dtype 对象。
`Series.struct.field`(name_or_index)	将结构体的子字段提取为 Series。

| Series.struct.explode() | 将结构体的所有子字段提取为 DataFrame。 | ### 标志

标志指的是 pandas 对象的属性。数据集的属性（如记录日期、访问的 URL 等）应存储在Series.attrs中。

| Flags(obj, *, allows_duplicate_labels) | 适用于 pandas 对象的标志。 | ### 元数据

Series.attrs 是用于存储此 Series 的全局元数据的字典。

警告

Series.attrs被视为实验性内容，可能会在没有警告的情况下更改。

`Series.attrs`	此数据集的全局属性字典。

绘图

Series.plot既是一个可调用方法，也是特定绘图方法的命名空间属性，形式为Series.plot.<kind>。

`Series.plot`([kind, ax, figsize, ....])	Series 绘图访问器和方法
`Series.plot.area`([x, y, stacked])	绘制堆叠面积图。
`Series.plot.bar`([x, y])	垂直条形图。
`Series.plot.barh`([x, y])	绘制水平条形图。
`Series.plot.box`([by])	绘制 DataFrame 列的箱线图。
`Series.plot.density`([bw_method, ind])	使用高斯核生成核密度估计图。
`Series.plot.hist`([by, bins])	绘制 DataFrame 列的直方图。
`Series.plot.kde`([bw_method, ind])	使用高斯核生成核密度估计图。
`Series.plot.line`([x, y])	将 Series 或 DataFrame 绘制为折线图。
`Series.plot.pie`(**kwargs)	生成饼图。
`Series.hist`([by, ax, grid, xlabelsize, ...])	使用 matplotlib 绘制输入 Series 的直方图。

序列化 / IO / 转换

`Series.to_pickle`(path, *[, compression, ...])	将对象序列化为文件。
`Series.to_csv`([path_or_buf, sep, na_rep, ...])	将对象写入逗号分隔值（csv）文件。
`Series.to_dict`(*[, into])	将 Series 转换为 {标签 -> 值} 字典或类似字典的对象。
`Series.to_excel`(excel_writer, *[, ...])	将对象写入 Excel 表格。
`Series.to_frame`([name])	将 Series 转换为 DataFrame。
`Series.to_xarray`()	从 pandas 对象返回一个 xarray 对象。
`Series.to_hdf`(path_or_buf, *, key[, mode, ...])	使用 HDFStore 将包含的数据写入 HDF5 文件。
`Series.to_sql`(name, con, *[, schema, ...])	将存储在 DataFrame 中的记录写入 SQL 数据库。
`Series.to_json`([path_or_buf, orient, ...])	将对象转换为 JSON 字符串。
`Series.to_string`([buf, na_rep, ...])	呈现 Series 的字符串表示。
`Series.to_clipboard`(*[, excel, sep])	将对象复制到系统剪贴板。
`Series.to_latex`([buf, columns, header, ...])	将对象呈现为 LaTeX 表格、长表格或嵌套表格。
`Series.to_markdown`([buf, mode, index, ...])	以 Markdown 友好的格式打印 Series。

构造函数

`Series`([data, index, dtype, name, copy, ...])	具有轴标签的一维 ndarray（包括时间序列）。

属性

轴

`Series.index`	Series 的索引（轴标签）。
`Series.array`	支持此 Series 或 Index 的数据的 ExtensionArray。
`Series.values`	根据 dtype 返回 Series 作为 ndarray 或类似 ndarray。
`Series.dtype`	返回底层数据的 dtype 对象。
`Series.shape`	返回底层数据的形状的元组。
`Series.nbytes`	返回底层数据的字节数。
`Series.ndim`	底层数据的维数，根据定义为 1。
`Series.size`	返回底层数据中的元素数。
`Series.T`	返回转置，根据定义是自身。
`Series.memory_usage`([index, deep])	返回 Series 的内存使用情况。
`Series.hasnans`	如果存在任何 NaN，则返回 True。
`Series.empty`	指示 Series/DataFrame 是否为空。
`Series.dtypes`	返回底层数据的 dtype 对象。
`Series.name`	返回 Series 的名称。
`Series.flags`	获取与此 pandas 对象关联的属性。
`Series.set_flags`(*[, copy, ...])	返回具有更新标志的新对象。

转换

`Series.astype`(dtype[, copy, errors])	将 pandas 对象转换为指定的 dtype `dtype`。
`Series.convert_dtypes`([infer_objects, ...])	使用支持 `pd.NA` 的 dtype 将列转换为可能的最佳 dtype。
`Series.infer_objects`([copy])	尝试推断对象列的更好数据类型。
`Series.copy`([deep])	复制此对象的索引和数据。
`Series.bool`()	(已弃用)返回单个元素 Series 或 DataFrame 的布尔值。
`Series.to_numpy`([dtype, copy, na_value])	表示此 Series 或 Index 中的值的 NumPy ndarray。
`Series.to_period`([freq, copy])	将 Series 从 DatetimeIndex 转换为 PeriodIndex。
`Series.to_timestamp`([freq, how, copy])	转换为时间戳的 DatetimeIndex，位于周期的开始。
`Series.to_list`()	返回值的列表。
`Series.__array__`([dtype, copy])	将值作为 NumPy 数组返回。

索引，迭代

`Series.get`(key[, default])	获取给定键（例如：DataFrame 列）的对象中的项目。
`Series.at`	访问行/列标签对的单个值。
`Series.iat`	通过整数位置访问行/列对的单个值。
`Series.loc`	通过标签或布尔数组访问一组行和列。
`Series.iloc`	(已弃用)基于纯整数位置的按位置选择索引。
`Series.__iter__`()	返回值的迭代器。
`Series.items`()	惰性地遍历（索引，值）元组。
`Series.keys`()	返回索引的别名。
`Series.pop`(item)	返回项目并从系列中删除。
`Series.item`()	将底层数据的第一个元素作为 Python 标量返回。
`Series.xs`(key[, axis, level, drop_level])	从系列/数据框中返回横截面。

更多关于 .at, .iat, .loc, 和 .iloc 的信息，请参阅索引文档。

二元操作符函数

`Series.add`(other[, level, fill_value, axis])	返回系列和其他的加法，逐元素进行计算（二元操作符 add）。
`Series.sub`(other[, level, fill_value, axis])	返回系列和其他的减法，逐元素进行计算（二元操作符 sub）。
`Series.mul`(other[, level, fill_value, axis])	返回系列和其他的乘法，逐元素进行计算（二元操作符 mul）。
`Series.div`(other[, level, fill_value, axis])	返回系列和其他的浮点除法，逐元素进行计算（二元操作符 truediv）。
`Series.truediv`(other[, level, fill_value, axis])	返回系列和其他的浮点除法，逐元素进行计算（二元操作符 truediv）。
`Series.floordiv`(other[, level, fill_value, axis])	返回系列和其他的整除，逐元素进行计算（二元操作符 floordiv）。
`Series.mod`(other[, level, fill_value, axis])	返回系列和其他的模数，逐元素进行计算（二元操作符 mod）。
`Series.pow`(other[, level, fill_value, axis])	返回系列和其他的指数幂，逐元素进行计算（二元操作符 pow）。
`Series.radd`(other[, level, fill_value, axis])	返回系列和其他的加法，逐元素进行计算（二元操作符 radd）。
`Series.rsub`(other[, level, fill_value, axis])	返回系列和其他的减法，逐元素进行计算（二元操作符 rsub）。
`Series.rmul`(other[, level, fill_value, axis])	返回系列和其他的乘法，逐元素进行计算（二元操作符 rmul）。
`Series.rdiv`(other[, level, fill_value, axis])	返回系列和其他的浮点除法，逐元素进行计算（二元操作符 rtruediv）。
`Series.rtruediv`(other[, level, fill_value, axis])	返回 Series 和其他的浮点数除法，逐元素进行计算（二元运算符 rtruediv）。
`Series.rfloordiv`(other[, level, fill_value, ...])	返回 Series 和其他的整数除法，逐元素进行计算（二元运算符 rfloordiv）。
`Series.rmod`(other[, level, fill_value, axis])	返回 Series 和其他的模数，逐元素进行计算（二元运算符 rmod）。
`Series.rpow`(other[, level, fill_value, axis])	返回 Series 和其他的指数幂，逐元素进行计算（二元运算符 rpow）。
`Series.combine`(other, func[, fill_value])	根据 func 将 Series 与 Series 或标量组合在一起。
`Series.combine_first`(other)	使用 'other' 中相同位置的值更新空元素。
`Series.round`([decimals])	将 Series 中的每个值四舍五入到指定的小数位数。
`Series.lt`(other[, level, fill_value, axis])	返回 Series 和其他的小于值，逐元素进行比较（二元运算符 lt）。
`Series.gt`(other[, level, fill_value, axis])	返回 Series 和其他的大于值，逐元素进行比较（二元运算符 gt）。
`Series.le`(other[, level, fill_value, axis])	返回 Series 和其他的小于或等于值，逐元素进行比较（二元运算符 le）。
`Series.ge`(other[, level, fill_value, axis])	返回 Series 和其他的大于或等于值，逐元素进行比较（二元运算符 ge）。
`Series.ne`(other[, level, fill_value, axis])	返回 Series 和其他的不相等值，逐元素进行比较（二元运算符 ne）。
`Series.eq`(other[, level, fill_value, axis])	返回 Series 和其他的相等值，逐元素进行比较（二元运算符 eq）。
`Series.product`([axis, skipna, numeric_only, ...])	返回请求轴上值的乘积。
`Series.dot`(other)	计算 Series 和其他列之间的点积。

函数应用、GroupBy 和窗口

`Series.apply`(func[, convert_dtype, args, by_row])	对 Series 的值调用函数。
`Series.agg`([func, axis])	在指定轴上使用一个或多个操作进行聚合。
`Series.aggregate`([func, axis])	在指定轴上使用一个或多个操作进行聚合。
`Series.transform`(func[, axis])	在自身上调用 `func`，生成一个与自身轴形状相同的 Series。
`Series.map`(arg[, na_action])	根据输入映射或函数对 Series 的值进行映射。
`Series.groupby`([by, axis, level, as_index, ...])	使用映射器或一系列列对 Series 进行分组。
`Series.rolling`(window[, min_periods, ...])	提供滚动窗口计算。
`Series.expanding`([min_periods, axis, method])	提供扩展窗口计算。
`Series.ewm`([com, span, halflife, alpha, ...])	提供指数加权（EW）计算。
`Series.pipe`(func, args, *kwargs)	应用可链式调用的函数，期望 Series 或 DataFrames。

计算 / 描述性统计

`Series.abs`()	返回每个元素的绝对数值的 Series/DataFrame。
`Series.all`([axis, bool_only, skipna])	返回所有元素是否都为 True，可能在一个轴上。
`Series.any`(*[, axis, bool_only, skipna])	返回任何元素��否为 True，可能在一个轴上。
`Series.autocorr`([lag])	计算滞后 N 的自相关性。
`Series.between`(left, right[, inclusive])	返回布尔 Series，相当于 left <= series <= right。
`Series.clip`([lower, upper, axis, inplace])	在输入阈值处修剪值。
`Series.corr`(other[, method, min_periods])	计算与其他 Series 的相关性，排除缺失值。
`Series.count`()	返回 Series 中非 NA/null 观测值的数量。
`Series.cov`(other[, min_periods, ddof])	计算与 Series 的协方差，排除缺失值。
`Series.cummax`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积最大值。
`Series.cummin`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积最小值。
`Series.cumprod`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积乘积。
`Series.cumsum`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积总和。
`Series.describe`([percentiles, include, exclude])	生成描述性统计信息。
`Series.diff`([periods])	元素的第一个离散差异。
`Series.factorize`([sort, use_na_sentinel])	将对象编码为枚举类型或分类变量。
`Series.kurt`([axis, skipna, numeric_only])	返回请求轴上的无偏峰度。
`Series.max`([axis, skipna, numeric_only])	返回请求轴上的最大值。
`Series.mean`([axis, skipna, numeric_only])	返回请求轴上的均值。
`Series.median`([axis, skipna, numeric_only])	返回请求轴上的中位数。
`Series.min`([axis, skipna, numeric_only])	返回请求轴上的最小值。
`Series.mode`([dropna])	返回 Series 的众数。
`Series.nlargest`([n, keep])	返回最大的 n 个元素。
`Series.nsmallest`([n, keep])	返回最小的 n 个元素。
`Series.pct_change`([periods, fill_method, ...])	当前元素与先前元素之间的分数变化。
`Series.prod`([axis, skipna, numeric_only, ...])	返回请求轴上值的乘积。
`Series.quantile`([q, interpolation])	返回给定分位数处的值。
`Series.rank`([axis, method, numeric_only, ...])	沿轴计算数据的排名（1 到 n）。
`Series.sem`([axis, skipna, ddof, numeric_only])	返回请求轴上均值的无偏标准误差。
`Series.skew`([axis, skipna, numeric_only])	返回请求轴上的无偏偏度。
`Series.std`([axis, skipna, ddof, numeric_only])	返回请求轴上的样��标准差。
`Series.sum`([axis, skipna, numeric_only, ...])	返回请求轴上值的总和。
`Series.var`([axis, skipna, ddof, numeric_only])	返回请求轴上的无偏方差。
`Series.kurtosis`([axis, skipna, numeric_only])	返回请求轴上的无偏峰度。
`Series.unique`()	返回 Series 对象的唯一值。
`Series.nunique`([dropna])	返回对象中唯一元素的数量。
`Series.is_unique`	如果对象中的值是唯一的，则返回布尔值。
`Series.is_monotonic_increasing`	如果对象中的值单调递增，则返回布尔值。
`Series.is_monotonic_decreasing`	如果对象中的值单调递减，则返回布尔值。
`Series.value_counts`([normalize, sort, ...])	返回包含唯一值计数的 Series。

重新索引/选择/标签操作

`Series.align`(other[, join, axis, level, ...])	使用指定的连接方法在它们的轴上对齐两个对象。
`Series.case_when`(caselist)	替换条件为 True 的值。
`Series.drop`([labels, axis, index, columns, ...])	返回删除指定索引标签的 Series。
`Series.droplevel`(level[, axis])	返回请求删除的索引/列级别的 Series/DataFrame。
`Series.drop_duplicates`(*[, keep, inplace, ...])	返回删除重复值的 Series。
`Series.duplicated`([keep])	指示重复的 Series 值。
`Series.equals`(other)	测试两个对象是否包含相同的元素。
`Series.first`(offset)	(已弃用) 根据日期偏移量选择时间序列数据的初始周期。
`Series.head`([n])	返回前 n 行。
`Series.idxmax`([axis, skipna])	返回最大值的行标签。
`Series.idxmin`([axis, skipna])	返回最小值的行标签。
`Series.isin`(values)	Series 中的元素是否包含在 values 中。
`Series.last`(offset)	(已弃用) 根据日期偏移量选择时间序列数据的最终周期。
`Series.reindex`([index, axis, method, copy, ...])	将 Series 调整为具有新索引的对象，并可选择填充逻辑。
`Series.reindex_like`(other[, method, copy, ...])	返回具有与其他对象匹配索引的对象。
`Series.rename`([index, axis, copy, inplace, ...])	更改 Series 索引标签或名称。
`Series.rename_axis`([mapper, index, axis, ...])	设置索引或列的轴名称。
`Series.reset_index`([level, drop, name, ...])	生成重置索引的新 DataFrame 或 Series。
`Series.sample`([n, frac, replace, weights, ...])	从对象的轴中返回随机样本项。
`Series.set_axis`(labels, *[, axis, copy])	为给定轴分配所需的索引。
`Series.take`(indices[, axis])	返回沿轴的给定位置索引的元素。
`Series.tail`([n])	返回最后 n 行。
`Series.truncate`([before, after, axis, copy])	在某个索引值之前和之后截断 Series 或 DataFrame。
`Series.where`(cond[, other, inplace, axis, level])	替换条件为 False 的值。
`Series.mask`(cond[, other, inplace, axis, level])	替换条件为 True 的值。
`Series.add_prefix`(prefix[, axis])	使用字符串前缀为标签添加前缀。
`Series.add_suffix`(suffix[, axis])	使用字符串后缀为标签添加后缀。
`Series.filter`([items, like, regex, axis])	根据指定的索引标签筛选数据帧的行或列。

缺失数据处理

`Series.backfill`(*[, axis, inplace, limit, ...])	(已弃用) 使用下一个有效观察值填充 NA/NaN 值。
`Series.bfill`(*[, axis, inplace, limit, ...])	使用下一个有效观察值填充 NA/NaN 值。
`Series.dropna`(*[, axis, inplace, how, ...])	返回删除缺失值的新 Series。
`Series.ffill`(*[, axis, inplace, limit, ...])	通过将最后一个有效观测值传播到下一个有效值来填充 NA/NaN 值。
`Series.fillna`([value, method, axis, ...])	使用指定方法填充 NA/NaN 值。
`Series.interpolate`([method, axis, limit, ...])	使用插值方法填充 NaN 值。
`Series.isna`()	检测缺失值。
`Series.isnull`()	Series.isnull 是 Series.isna 的别名。
`Series.notna`()	检测存在的（非缺失）值。
`Series.notnull`()	Series.notnull 是 Series.notna 的别名。
`Series.pad`(*[, axis, inplace, limit, downcast])	(已弃用)通过将最后一个有效观测值传播到下一个有效值来填充 NA/NaN 值。
`Series.replace`([to_replace, value, inplace, ...])	用 value 替换 to_replace 中的值。

重塑、排序

`Series.argsort`([axis, kind, order, stable])	返回对 Series 值进行排序的整数索引。
`Series.argmin`([axis, skipna])	返回 Series 中最小值的整数位置。
`Series.argmax`([axis, skipna])	返回 Series 中最大值的整数位置。
`Series.reorder_levels`(order)	使用输入顺序重新排列索引级别。
`Series.sort_values`(*[, axis, ascending, ...])	按值排序。
`Series.sort_index`(*[, axis, level, ...])	按索引标签对 Series 进行排序。
`Series.swaplevel`([i, j, copy])	在`MultiIndex`中交换级别 i 和 j。
`Series.unstack`([level, fill_value, sort])	Unstack，也称为 pivot，将具有 MultiIndex 的 Series 转换为 DataFrame。
`Series.explode`([ignore_index])	将类似列表的每个元素转换为一行。
`Series.searchsorted`(value[, side, sorter])	查找应插入元素以保持顺序的索引。
`Series.ravel`([order])	(已弃用) 将底层数据扁平化为 ndarray 或 ExtensionArray。
`Series.repeat`(repeats[, axis])	重复 Series 的元素。
`Series.squeeze`([axis])	将 1 维轴对象压缩为标量。
`Series.view`([dtype])	(已弃用) 创建 Series 的新视图。

合并/比较/连接/合并

`Series.compare`(other[, align_axis, ...])	与另一个 Series 进行比较并显示差异。
`Series.update`(other)	使用传递的 Series 的值就地修改 Series。

与时间序列相关

`Series.asfreq`(freq[, method, how, ...])	将时间序列转换为指定的频率。
`Series.asof`(where[, subset])	返回在 where 之前没有任何 NaN 的最后一行。
`Series.shift`([periods, freq, axis, ...])	通过所需的周期数将索引向前或向后移动，可选择性地使用时间频率。
`Series.first_valid_index`()	返回第一个非 NA 值的索引，如果找不到非 NA 值，则返回 None。
`Series.last_valid_index`()	返回最后一个非 NA 值的索引，如果找不到非 NA 值，则返回 None。
`Series.resample`(rule[, axis, closed, label, ...])	重新采样时间序列数据。
`Series.tz_convert`(tz[, axis, level, copy])	将带有时区信息的轴转换为目标时区。
`Series.tz_localize`(tz[, axis, level, copy, ...])	将 Series 或 DataFrame 的 tz-naive 索引本地化到目标时区。
`Series.at_time`(time[, asof, axis])	选择一天中特定时间的值（例如，上午 9:30）。
`Series.between_time`(start_time, end_time[, ...])	选择一天中特定时间段内的值（例如，上午 9:00-9:30）。

访问器

pandas 在各种访问器下提供了特定于数据类型的方法。这些是 Series 内的单独命名空间，仅适用于特定数据类型。

`Series.str`	`StringMethods` 的别名
`Series.cat`	`CategoricalAccessor` 的别名
`Series.dt`	`CombinedDatetimelikeProperties` 的别名
`Series.sparse`	`SparseAccessor` 的别名
`DataFrame.sparse`	`SparseFrameAccessor` 的别名
`Index.str`	`StringMethods` 的别名
数据类型	访问器
---	---
日期时间、时间差、周期	dt
字符串	str
Categorical	cat
稀疏	sparse

日期时间属性

Series.dt 可用于访问系列的日期时间属性并返回多个属性。这些属性可以像 Series.dt.<property> 这样访问。

日期时间属性

`Series.dt.date`	返回带有 python `datetime.date` 对象的 numpy 数组。
`Series.dt.time`	返回带有时区的 `datetime.time` 对象的 numpy 数组。
`Series.dt.timetz`	返回带有时区的 `datetime.time` 对象的 numpy 数组。
`Series.dt.year`	日期时间的年份。
`Series.dt.month`	月份，1 代表一月，12 代表十二月。
`Series.dt.day`	日期时间的日数。
`Series.dt.hour`	日期时间的小时数。
`Series.dt.minute`	日期时间的分钟数。
`Series.dt.second`	日期时间的秒数。
`Series.dt.microsecond`	日期时间的微秒数。
`Series.dt.nanosecond`	日期时间的纳秒数。
`Series.dt.dayofweek`	星期几，星期一=0，星期日=6。
`Series.dt.day_of_week`	星期几，星期一=0，星期日=6。
`Series.dt.weekday`	星期几，星期一=0，星期日=6。
`Series.dt.dayofyear`	年份中的第几天。
`Series.dt.day_of_year`	年份中的第几天。
`Series.dt.days_in_month`	该月的天数。
`Series.dt.quarter`	日期的季度。
`Series.dt.is_month_start`	是否为月初的指示器。
`Series.dt.is_month_end`	是否为月末的指示器。
`Series.dt.is_quarter_start`	是否为季度第一天的指示器。
`Series.dt.is_quarter_end`	是否为季度最后一天的指示器。
`Series.dt.is_year_start`	是否为年初的指示器。
`Series.dt.is_year_end`	表示日期是否为年末的指示器。
`Series.dt.is_leap_year`	如果日期属于闰年，则为布尔值指示器。
`Series.dt.daysinmonth`	一个月中的天数。
`Series.dt.days_in_month`	一个月中的天数。
`Series.dt.tz`	返回时区。
`Series.dt.freq`	返回此 PeriodArray 的频率对象。
`Series.dt.unit`

时间方法

`Series.dt.isocalendar`()	根据 ISO 8601 标准计算年份、周数和日期。
`Series.dt.to_period`(args, *kwargs)	在特定频率下转换为 PeriodArray/PeriodIndex。
`Series.dt.to_pydatetime`()	(已弃用)将数据返回为 `datetime.datetime` 对象数组。
`Series.dt.tz_localize`(args, *kwargs)	将时区无关的日期时间数组/索引本地化为时区感知的日期时间数组/索引。
`Series.dt.tz_convert`(args, *kwargs)	将时区感知的日期时间数组/索引从一个时区转换为另一个时区。
`Series.dt.normalize`(args, *kwargs)	将时间转换为午夜。
`Series.dt.strftime`(args, *kwargs)	使用指定的日期格式转换为索引。
`Series.dt.round`(args, *kwargs)	对数据执行舍入操作，以指定的频率。
`Series.dt.floor`(args, *kwargs)	对数据执行向下取整操作，以指定的频率。
`Series.dt.ceil`(args, *kwargs)	对数据执行向上取整操作到指定的频率。
`Series.dt.month_name`(args, *kwargs)	返回指定语言环境的月份名称。
`Series.dt.day_name`(args, *kwargs)	返回指定语言环境的星期几名称。
`Series.dt.as_unit`(args, *kwargs)

期间属性

`Series.dt.qyear`
`Series.dt.start_time`	获取周期开始的时间戳。
`Series.dt.end_time`	获取周期结束的时间戳。

时间增量属性

`Series.dt.days`	每个元素的天数。
`Series.dt.seconds`	每个元素的秒数（大于等于 0 且小于 1 天）。
`Series.dt.microseconds`	每个元素的微秒数（大于等于 0 且小于 1 秒）。
`Series.dt.nanoseconds`	每个元素的纳秒数（大于等于 0 且小于 1 微秒）。
`Series.dt.components`	返回时间增量的各个组成部分的数据框。
`Series.dt.unit`

时间增量方法

`Series.dt.to_pytimedelta`()	返回一个原生`datetime.timedelta`对象数组。
`Series.dt.total_seconds`(args, *kwargs)	返回每个元素表示的总持续时间（以秒为单位）。

| Series.dt.as_unit(*args, **kwargs) | | ### 字符串处理

Series.str 可用于访问系列的值作为字符串并对其应用多种方法。这些可以像 Series.str.<function/property> 这样访问。

`Series.str.capitalize`()	将 Series/Index 中的字符串转换为大写。
`Series.str.casefold`()	将 Series/Index 中的字符串转换为 casefolded。
`Series.str.cat`([others, sep, na_rep, join])	使用给定的分隔符连接 Series/Index 中的字符串。
`Series.str.center`(width[, fillchar])	在 Series/Index 中的字符串的左右两侧填充。
`Series.str.contains`(pat[, case, flags, na, ...])	测试 Series 或 Index 中的字符串是否包含模式或正则表达式。
`Series.str.count`(pat[, flags])	计算 Series/Index 中每个字符串中模式的出现次数。
`Series.str.decode`(encoding[, errors])	使用指定的编码解码 Series/Index 中的字符字符串。
`Series.str.encode`(encoding[, errors])	使用指定的编码对 Series/Index 中的字符字符串进行编码。
`Series.str.endswith`(pat[, na])	测试每个字符串元素的结尾是否与模式匹配。
`Series.str.extract`(pat[, flags, expand])	在 DataFrame 中提取正则表达式 pat 中的捕获组作为列。
`Series.str.extractall`(pat[, flags])	在 DataFrame 中提取正则表达式 pat 中的捕获组作为列。
`Series.str.find`(sub[, start, end])	返回 Series/Index 中每个字符串中的最低索引。
`Series.str.findall`(pat[, flags])	在 Series/Index 中查找模式或正则表达式的所有匹配项。
`Series.str.fullmatch`(pat[, case, flags, na])	确定每个字符串是否完全匹配正则表达式。
`Series.str.get`(i)	从指定位置或具有指定键的每个组件中提取元素。
`Series.str.index`(sub[, start, end])	返回 Series/Index 中每个字符串中的最低索引。
`Series.str.join`(sep)	使用传递的分隔符连接 Series/Index 中作为元素包含的列表。
`Series.str.len`()	计算 Series/Index 中每个元素的长度。
`Series.str.ljust`(width[, fillchar])	在 Series/Index 中字符串的右侧填充。
`Series.str.lower`()	将 Series/Index 中的字符串转换为小写。
`Series.str.lstrip`([to_strip])	移除前导字符。
`Series.str.match`(pat[, case, flags, na])	确定每个字符串是否以正则表达式的匹配开头。
`Series.str.normalize`(form)	返回 Series/Index 中字符串的 Unicode 标准形式。
`Series.str.pad`(width[, side, fillchar])	将 Series/Index 中的字符串填充到指定宽度。
`Series.str.partition`([sep, expand])	在第一个分隔符处拆分字符串。
`Series.str.removeprefix`(prefix)	从对象系列中移除前缀。
`Series.str.removesuffix`(suffix)	从对象系列中移��后缀。
`Series.str.repeat`(repeats)	在 Series 或 Index 中复制每个字符串。
`Series.str.replace`(pat, repl[, n, case, ...])	替换 Series/Index 中每个出现的模式/正则表达式。
`Series.str.rfind`(sub[, start, end])	返回 Series/Index 中每个字符串中的最高索引。
`Series.str.rindex`(sub[, start, end])	返回 Series/Index 中每个字符串中的最高索引。
`Series.str.rjust`(width[, fillchar])	在 Series/Index 中的字符串左侧填充。
`Series.str.rpartition`([sep, expand])	在字符串中最后一次出现的位置分割字符串。
`Series.str.rstrip`([to_strip])	移除字符串末尾的字符。
`Series.str.slice`([start, stop, step])	从 Series 或 Index 中的每个元素中切片子字符串。
`Series.str.slice_replace`([start, stop, repl])	用另一个值替换字符串的位置切片。
`Series.str.split`([pat, n, expand, regex])	在给定的分隔符周围分割字符串。
`Series.str.rsplit`([pat, n, expand])	在给定的分隔符周围分割字符串。
`Series.str.startswith`(pat[, na])	测试每个字符串元素的开头是否与模式匹配。
`Series.str.strip`([to_strip])	移除字符串的前导和尾随字符。
`Series.str.swapcase`()	将 Series/Index 中的字符串转换为大小写互换。
`Series.str.title`()	将 Series/Index 中的字符串转换为首字母大写。
`Series.str.translate`(table)	将字符串中的所有字符通过给定的映射表进行映射。
`Series.str.upper`()	将 Series/Index 中的字符串转换为大写。
`Series.str.wrap`(width, **kwargs)	在指定的行宽处将 Series/Index 中的字符串换行。
`Series.str.zfill`(width)	在 Series/Index 中的字符串前面填充 '0' 字符。
`Series.str.isalnum`()	检查每个字符串中的所有字符是否为字母数字字符。
`Series.str.isalpha`()	检查每个字符串中的所有字符是否为字母字符。
`Series.str.isdigit`()	检查每个字符串中的所有字符是否为数字。
`Series.str.isspace`()	检查每个字符串中的所有字符是否为空格字符。
`Series.str.islower`()	检查每个字符串中的所有字符是否为小写。
`Series.str.isupper`()	检查每个字符串中的所有字符是否为大写。
`Series.str.istitle`()	检查每个字符串中的所有字符是否为标题大小写。
`Series.str.isnumeric`()	检查每个字符串中的所有字符是否为数字字符。
`Series.str.isdecimal`()	检查每个字符串中的所有字符是否为十进制数。

| Series.str.get_dummies([sep]) | 返回 Series 的虚拟/指示变量的 DataFrame。 | ### 分类访问器

分类数据类型特定的方法和属性可在Series.cat访问器下使用。

`Series.cat.categories`	此分类的类别。
`Series.cat.ordered`	类别是否具有有序关系。
`Series.cat.codes`	返回代码系列以及索引。
`Series.cat.rename_categories`(args, *kwargs)	重命名类别。
`Series.cat.reorder_categories`(args, *kwargs)	按照新类别指定的顺序重新排序类别。
`Series.cat.add_categories`(args, *kwargs)	添加新的分类。
`Series.cat.remove_categories`(args, *kwargs)	移除指定的分类。
`Series.cat.remove_unused_categories`(*args, ...)	移除未使用的分类。
`Series.cat.set_categories`(args, *kwargs)	将分类设置为指定的新分类。
`Series.cat.as_ordered`(args, *kwargs)	将分类设置为有序。

| Series.cat.as_unordered(*args, **kwargs) | 将分类设置为无序。 ### 稀疏访问器

稀疏数据类型特定的方法和属性可在 Series.sparse 访问器下找到。

`Series.sparse.npoints`	非 `fill_value` 点的数量。
`Series.sparse.density`	非 `fill_value` 点的百分比，以小数表示。
`Series.sparse.fill_value`	数据中的 fill_value 元素不会被存储。
`Series.sparse.sp_values`	包含非 `fill_value` 值的 ndarray。
`Series.sparse.from_coo`(A[, dense_index])	从 scipy.sparse.coo_matrix 创建具有稀疏值的 Series。

| Series.sparse.to_coo([row_levels, ...]) | 从具有 MultiIndex 的 Series 创建 scipy.sparse.coo_matrix。 ### 列表访问器

箭头列表数据类型特定的方法和属性可在 Series.list 访问器下找到。

`Series.list.flatten`()	展平列表值。
`Series.list.len`()	返回 Series 中每个列表的长度。

| Series.list.__getitem__(key) | 在 Series 中索引或切片列表。 | ### 结构访问器

Arrow 结构 dtype 特定的方法和属性在 Series.struct 访问器下提供。

`Series.struct.dtypes`	返回结构的每个子字段的 dtype 对象。
`Series.struct.field`(name_or_index)	将结构的子字段提取为 Series。

| Series.struct.explode() | 将结构的所有子字段提取为 DataFrame。 | ### 标志

标志指的是 pandas 对象的属性。数据集的属性（如记录日期、访问的 URL 等）应存储在 Series.attrs 中。

| Flags(obj, *, allows_duplicate_labels) | 适用于 pandas 对象的标志。 | ### 元数据

Series.attrs 是一个用于存储此 Series 的全局元数据的字典。

警告

Series.attrs 被视为实验性的，可能会在没有警告的情况下更改。

| Series.attrs | 此数据集的全局属性字典。 | ### 日期时间属性

Series.dt 可用于访问系列的日期时间值并返回多个属性。这些可以像 Series.dt.<property> 这样访问。

日期时间属性

`Series.dt.date`	返回 python 的 numpy 数组`datetime.date`对象。
`Series.dt.time`	返回带有时区的`datetime.time`对象的 numpy 数组。
`Series.dt.timetz`	返回带有时区的`datetime.time`对象的 numpy 数组。
`Series.dt.year`	日期时间的年份。
`Series.dt.month`	月份，一月为 1，十二月为 12。
`Series.dt.day`	日期时间的日期。
`Series.dt.hour`	日期时间的小时。
`Series.dt.minute`	日期时间的分钟。
`Series.dt.second`	日期时间的秒。
`Series.dt.microsecond`	日期时间的微秒。
`Series.dt.nanosecond`	日期时间的纳秒。
`Series.dt.dayofweek`	一周中的日期，星期一=0，星期日=6。
`Series.dt.day_of_week`	一周中的日期，星期一=0，星期日=6。
`Series.dt.weekday`	一周中的日期，星期一=0，星期日=6。
`Series.dt.dayofyear`	一年中的日期序数。
`Series.dt.day_of_year`	一年中的日期序数。
`Series.dt.days_in_month`	月份的天数。
`Series.dt.quarter`	日期的季度。
`Series.dt.is_month_start`	表示日期是否为月初。
`Series.dt.is_month_end`	表示日期是否为月末。
`Series.dt.is_quarter_start`	表示日期是否为季度初。
`Series.dt.is_quarter_end`	表示日期是否为季度末。
`Series.dt.is_year_start`	表示日期是否为年初。
`Series.dt.is_year_end`	指示日期是否为年底。
`Series.dt.is_leap_year`	布尔值指示日期是否属于闰年。
`Series.dt.daysinmonth`	该月的天数。
`Series.dt.days_in_month`	该月的天数。
`Series.dt.tz`	返回时区。
`Series.dt.freq`	返回此 PeriodArray 的频率对象。
`Series.dt.unit`

日期时间方法

`Series.dt.isocalendar`()	根据 ISO 8601 标准计算年、周和日。
`Series.dt.to_period`(args, *kwargs)	转换为特定频率的 PeriodArray/PeriodIndex。
`Series.dt.to_pydatetime`()	(已弃用) 将数据返回为 `datetime.datetime` 对象的数组。
`Series.dt.tz_localize`(args, *kwargs)	将 tz-naive 的日期时间数组/索引本地化为 tz-aware 的日期时间数组/索引。
`Series.dt.tz_convert`(args, *kwargs)	将来自一个时区的 tz-aware 的日期时间数组/索引转换为另一个时区。
`Series.dt.normalize`(args, *kwargs)	将时间转换为午夜。
`Series.dt.strftime`(args, *kwargs)	使用指定的日期格式转换为索引。
`Series.dt.round`(args, *kwargs)	对数据执行指定频率的四舍五入操作。
`Series.dt.floor`(args, *kwargs)	对数据执行指定频率的向下取整操作。
`Series.dt.ceil`(args, *kwargs)	对数据执行向上取整操作到指定的频率。
`Series.dt.month_name`(args, *kwargs)	返回指定语言环境下的月份名称。
`Series.dt.day_name`(args, *kwargs)	返回指定语言环境下的星期几名称。
`Series.dt.as_unit`(args, *kwargs)

时期属性

`Series.dt.qyear`
`Series.dt.start_time`	获取周期开始时的时间戳。
`Series.dt.end_time`	获取周期结束时的时间戳。

时间差属性

`Series.dt.days`	每个元素的天数。
`Series.dt.seconds`	每个元素的秒数（>= 0 且小于 1 天）。
`Series.dt.microseconds`	每个元素的微秒数（>= 0 且小于 1 秒）。
`Series.dt.nanoseconds`	每个元素的纳秒数（>= 0 且小于 1 微秒）。
`Series.dt.components`	返回时间差的各个组成部分的数据框。
`Series.dt.unit`

时间差方法

`Series.dt.to_pytimedelta`()	返回一个由本地`datetime.timedelta`对象组成的数组。
`Series.dt.total_seconds`(args, *kwargs)	返回每个元素表示的总持续时间（以秒为单位）。
`Series.dt.as_unit`(args, *kwargs)

日期时间属性

`Series.dt.date`	返回带有 python `datetime.date`对象的 numpy 数组。
`Series.dt.time`	返回带有`datetime.time`对象的 numpy 数组。
`Series.dt.timetz`	返回带有时区的`datetime.time`对象的 numpy 数组。
`Series.dt.year`	日期的年份。
`Series.dt.month`	月份，一月为 1，十二月为 12。
`Series.dt.day`	日期的日。
`Series.dt.hour`	日期的小时。
`Series.dt.minute`	日期的分钟。
`Series.dt.second`	日期的秒。
`Series.dt.microsecond`	日期的微秒。
`Series.dt.nanosecond`	日期的纳秒。
`Series.dt.dayofweek`	一周中的第几天，星期一为 0，星期日为 6。
`Series.dt.day_of_week`	一周中的第几天，星期一为 0，星期日为 6。
`Series.dt.weekday`	一周中的第几天，星期一为 0，星期日为 6。
`Series.dt.dayofyear`	一年中的第几天。
`Series.dt.day_of_year`	一年中的第几天。
`Series.dt.days_in_month`	月份的天数。
`Series.dt.quarter`	日期的季度。
`Series.dt.is_month_start`	指示日期是否为一个月的第一天。
`Series.dt.is_month_end`	指示日期是否为一个月的最后一天。
`Series.dt.is_quarter_start`	指示日期是否为一个季度的第一天。
`Series.dt.is_quarter_end`	指示日期是否为一个季度的最后一天。
`Series.dt.is_year_start`	指示日期是否为一年的第一天。
`Series.dt.is_year_end`	指示日期是否为一年的最后一天。
`Series.dt.is_leap_year`	布尔指示器，指示日期是否属于闰年。
`Series.dt.daysinmonth`	月份中的天数。
`Series.dt.days_in_month`	月份中的天数。
`Series.dt.tz`	返回时区。
`Series.dt.freq`	返回此 PeriodArray 的频率对象。
`Series.dt.unit`

日期时间方法

`Series.dt.isocalendar`()	根据 ISO 8601 标准计算年、周和日。
`Series.dt.to_period`(args, *kwargs)	在特定频率下转换为 PeriodArray/PeriodIndex。
`Series.dt.to_pydatetime`()	(已弃用) 将数据返回为 `datetime.datetime` 对象数组。
`Series.dt.tz_localize`(args, *kwargs)	将时区无关的日期时间数组/索引本地化为时区感知的日期时间数组/索引。
`Series.dt.tz_convert`(args, *kwargs)	将来自一个时区的时区感知的日期时间数组/索引转换为另一个时区。
`Series.dt.normalize`(args, *kwargs)	将时间转换为午夜。
`Series.dt.strftime`(args, *kwargs)	使用指定的日期格式转换为索引。
`Series.dt.round`(args, *kwargs)	对数据执行四舍五入操作，以指定的频率为准。
`Series.dt.floor`(args, *kwargs)	对数据执行向下取整操作，以指定的频率为准。
`Series.dt.ceil`(args, *kwargs)	对数据执行向上取整操作，以指定的频率为准。
`Series.dt.month_name`(args, *kwargs)	返回指定区域设置的月份名称。
`Series.dt.day_name`(args, *kwargs)	返回指定区域设置的星期几名称。
`Series.dt.as_unit`(args, *kwargs)

时间周期属性

`Series.dt.qyear`
`Series.dt.start_time`	获取周期开始的时间戳。
`Series.dt.end_time`	获取周期结束的时间戳。

时间差属性

`Series.dt.days`	每个元素的天数。
`Series.dt.seconds`	每个元素的秒数（>= 0 并且小于 1 天）。
`Series.dt.microseconds`	每个元素的微秒数（>= 0 并且小于 1 秒）。
`Series.dt.nanoseconds`	每个元素的纳秒数（>= 0 且小于 1 微秒）。
`Series.dt.components`	返回时间增量的各个组件的数据框。
`Series.dt.unit`

时间增量方法

`Series.dt.to_pytimedelta`()	返回一个由本地`datetime.timedelta`对象组成的数组。
`Series.dt.total_seconds`(args, *kwargs)	返回每个元素表示的总持续时间（以秒为单位）。
`Series.dt.as_unit`(args, *kwargs)

字符串处理

Series.str 可用于访问系列的��作为字符串并应用多种方法。这些可以像Series.str.<function/property>这样访问。

`Series.str.capitalize`()	将系列/索引中的字符串转换为大写。
`Series.str.casefold`()	将系列/索引中的字符串转换为折叠大小写形式。
`Series.str.cat`([others, sep, na_rep, join])	使用给定的分隔符连接系列/索引中的字符串。
`Series.str.center`(width[, fillchar])	在系列/索引中的字符串的左侧和右侧填充。
`Series.str.contains`(pat[, case, flags, na, ...])	测试模式或正则表达式是否包含在系列或索引的字符串中。
`Series.str.count`(pat[, flags])	计算系列/索引中每个字符串中模式的出现次数。
`Series.str.decode`(encoding[, errors])	使用指定的编码对系列/索引中的字符字符串进行解码。
`Series.str.encode`(encoding[, errors])	使用指定的编码对系列/索引中的字符字符串进行编码。
`Series.str.endswith`(pat[, na])	测试每个字符串元素的结尾是否与模式��配。
`Series.str.extract`(pat[, flags, expand])	在 DataFrame 中提取正则表达式 pat 中的捕获组作为列。
`Series.str.extractall`(pat[, flags])	在 DataFrame 中提取正则表达式 pat 中的捕获组作为列。
`Series.str.find`(sub[, start, end])	返回 Series/Index 中每个字符串中的最低索引。
`Series.str.findall`(pat[, flags])	在 Series/Index 中查找模式或正则表达式的所有出现。
`Series.str.fullmatch`(pat[, case, flags, na])	确定每个字符串是否完全匹配正则表达式。
`Series.str.get`(i)	从每个组件中提取指定位置或指定键的元素。
`Series.str.index`(sub[, start, end])	返回 Series/Index 中每个字符串的最低索引。
`Series.str.join`(sep)	使用传递的分隔符将 Series/Index 中作为元素包含的列表连接起来。
`Series.str.len`()	计算 Series/Index 中每个元素的长度。
`Series.str.ljust`(width[, fillchar])	在 Series/Index 中字符串的右侧填充。
`Series.str.lower`()	将 Series/Index 中的字符串转换为小写。
`Series.str.lstrip`([to_strip])	移除前导字符。
`Series.str.match`(pat[, case, flags, na])	确定每个字符串是否以正则表达式的匹配开头。
`Series.str.normalize`(form)	返回 Series/Index 中字符串的 Unicode 标准形式。
`Series.str.pad`	在 Series/Index 中的字符串中填充到指定宽度。
`Series.str.partition`	在第一个 sep 出现的位置拆分字符串。
`Series.str.removeprefix`	从对象系列中删除前缀。
`Series.str.removesuffix`	从对象系列中删除后缀。
`Series.str.repeat`	在 Series 或 Index 中复制每个字符串。
`Series.str.replace`	在 Series/Index 中替换每个模式/正则表达式的每个出现。
`Series.str.rfind`	返回 Series/Index 中每个字符串中的最高索引。
`Series.str.rindex`	返回 Series/Index 中每个字符串中的最高索引。
`Series.str.rjust`	在 Series/Index 中的字符串左侧填充。
`Series.str.rpartition`	在最后一个 sep 出现的位置拆分字符串。
`Series.str.rstrip`	移除字符串尾部的字符。
`Series.str.slice`	从 Series 或 Index 中的每个元素中切割子字符串。
`Series.str.slice_replace`	用另一个值替换字符串的位置切片。
`Series.str.split`	在给定的分隔符/定界符周围分割字符串。
`Series.str.rsplit`	在给定的分隔符/定界符周围分割字符串。
`Series.str.startswith`	测试每个字符串元素的开头是否与模式匹配。
`Series.str.strip`([to_strip])	移除字符串的开头和结尾字符。
`Series.str.swapcase`()	将 Series/Index 中的字符串转换为大小写互换。
`Series.str.title`()	将 Series/Index 中的字符串转换为标题格式。
`Series.str.translate`(table)	通过给定的映射表映射字符串中的所有字符。
`Series.str.upper`()	将 Series/Index 中的字符串转换为大写。
`Series.str.wrap`(width, **kwargs)	在指定的行宽度处将 Series/Index 中的字符串换行。
`Series.str.zfill`(width)	通过在 Series/Index 中的字符串前面添加 '0' 字符来填充字符串。
`Series.str.isalnum`()	检查每个字符串中的所有字符是否都是字母数字。
`Series.str.isalpha`()	检查每个字符串中的所有字符是否都是字母。
`Series.str.isdigit`()	检查每个字符串中的所有字符是否都是数字。
`Series.str.isspace`()	检查每个字符串中的所有字符是否都是空白字符。
`Series.str.islower`()	检查每个字符串中的所有字符是否都是小写。
`Series.str.isupper`()	检查每个字符串中的所有字符是否都是大写。
`Series.str.istitle`()	检查每个字符串中的所有字符是否都是标题格式。
`Series.str.isnumeric`()	检查每个字符串中的所有字符是否都是数字。
`Series.str.isdecimal`()	检查每个字符串中的所有字符是否都是十进制数。
`Series.str.get_dummies`([sep])	返回 Series 的虚拟/指示变量的 DataFrame。

分类访问器

类别特定的方法和属性可在 Series.cat 访问器下找到。

`Series.cat.categories`	此分类的类别。
`Series.cat.ordered`	类别是否具有有序关系。
`Series.cat.codes`	返回代码的 Series 以及索引。
`Series.cat.rename_categories`(args, *kwargs)	重命名类别。
`Series.cat.reorder_categories`(args, *kwargs)	根据新类别重新排序类别。
`Series.cat.add_categories`(args, *kwargs)	添加新类别。
`Series.cat.remove_categories`(args, *kwargs)	删除指定的类别。
`Series.cat.remove_unused_categories`(*args, ...)	删除未使用的类别。
`Series.cat.set_categories`(args, *kwargs)	将类别设置为指定的新类别。
`Series.cat.as_ordered`(args, *kwargs)	将分类设置为有序。
`Series.cat.as_unordered`(args, *kwargs)	将分类设置为无序。

稀疏访问器

稀疏特定的方法和属性可在 Series.sparse 访问器下找到。

`Series.sparse.npoints`	非 `fill_value` 点的数量。
`Series.sparse.density`	非 `fill_value` 点的百分比，以小数表示。
`Series.sparse.fill_value`	数据中的 fill_value 元素不会被存储。
`Series.sparse.sp_values`	包含非 `fill_value` 值的 ndarray。
`Series.sparse.from_coo`(A[, dense_index])	从 scipy.sparse.coo_matrix 创建具有稀疏值的 Series。
`Series.sparse.to_coo`([row_levels, ...])	从具有 MultiIndex 的 Series 创建一个 scipy.sparse.coo_matrix。

列表访问器

Arrow 列表数据类型的特定方法和属性可在 Series.list 访问器下找到。

`Series.list.flatten`()	展平列表值。
`Series.list.len`()	返回 Series 中每个列表的长度。
`Series.list.__getitem__`(key)	在 Series 中索引或切片列表。

结构访问器

Arrow 结构数据类型的特定方法和属性可在 Series.struct 访问器下找到。

`Series.struct.dtypes`	返回结构的每个子字段的 dtype 对象。
`Series.struct.field`(name_or_index)	将结构的子字段提取为 Series。
`Series.struct.explode`()	将结构的所有子字段提取为 DataFrame。

标志

标志指的是 pandas 对象的属性。数据集的属性（如记录日期、访问的 URL 等）应存储在 Series.attrs 中。

`Flags`(obj, *, allows_duplicate_labels)	适用于 pandas 对象的标志。

元数据

Series.attrs 是一个用于存储此 Series 的全局元数据的字典。

警告

Series.attrs 被视为实验性质，可能会在不经警告的情况下更改。

`Series.attrs`	此数据集的全局属性字典。

绘图

Series.plot 既是一个可调用方法，也是特定绘图方法的命名空间属性，形式为 Series.plot.<kind>。

`Series.plot`([kind, ax, figsize, ....])	Series 绘图访问器和方法
`Series.plot.area`([x, y, stacked])	绘制堆叠面积图。
`Series.plot.bar`([x, y])	绘制垂直条形图。
`Series.plot.barh`([x, y])	绘制水平条形图。
`Series.plot.box`([by])	绘制 DataFrame 列的箱线图。
`Series.plot.density`([bw_method, ind])	使用高斯核生成核密度估计图。
`Series.plot.hist`([by, bins])	绘制 DataFrame 列的直方图。
`Series.plot.kde`([bw_method, ind])	使用高斯核生成核密度估计图。
`Series.plot.line`([x, y])	将 Series 或 DataFrame 绘制为折线图。
`Series.plot.pie`(**kwargs)	生成饼图。
`Series.hist`([by, ax, grid, xlabelsize, ...])	使用 matplotlib 绘制输入序列的直方图。

序列化 / IO / 转换

`Series.to_pickle`(path, *[, compression, ...])	将对象序列化（Pickle）到文件。
`Series.to_csv`([path_or_buf, sep, na_rep, ...])	将对象写入逗号分隔值（csv）文件。
`Series.to_dict`(*[, into])	将 Series 转换为 {标签 -> 值} 字典或类似字典的对象。
`Series.to_excel`(excel_writer, *[, ...])	将对象写入 Excel 表格。
`Series.to_frame`([name])	将 Series 转换为 DataFrame。
`Series.to_xarray`()	从 pandas 对象返回一个 xarray 对象。
`Series.to_hdf`(path_or_buf, *, key[, mode, ...])	使用 HDFStore 将包含的数据写入 HDF5 文件。
`Series.to_sql`(name, con, *[, schema, ...])	将存储在 DataFrame 中的记录写入 SQL 数据库。
`Series.to_json`([path_or_buf, orient, ...])	将对象转换为 JSON 字符串。
`Series.to_string`([buf, na_rep, ...])	呈现 Series 的字符串表示。
`Series.to_clipboard`(*[, excel, sep])	将对象复制到系统剪贴板。
`Series.to_latex`([buf, columns, header, ...])	将对象呈现为 LaTeX 表格、长表格或嵌套表格。
`Series.to_markdown`([buf, mode, index, ...])	以 Markdown 友好的格式打印 Series。

`pandas.Series`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.html

class pandas.Series(data=None, index=None, dtype=None, name=None, copy=None, fastpath=_NoDefault.no_default)

包含轴标签的一维 ndarray（包括时间序列）。

标签不必是唯一的，但必须是可哈希的类型。该对象支持基于整数和标签的索引，并提供了许多涉及索引的操作方法。ndarray 的统计方法已被覆盖以自动排除缺失数据（当前表示为 NaN）。

Series 之间的运算（+、-、/、*、**）会根据它们关联的索引值对齐数据，这些索引值不需要相同长度。结果索引将是这两个索引的排序并集。

参数：

data类似数组，可迭代对象，字典或标量值

包含存储在 Series 中的数据。如果数据是一个字典，则保持参数顺序。

index类似数组或索引（1d）

值必须是可哈希的，并且与数据具有相同的长度。允许非唯一索引值。如果未提供，将默认为 RangeIndex（0、1、2、...、n）。如果数据类似字典并且索引为 None，则使用数据中的键作为索引。如果索引不为 None，则生成的 Series 将根据索引值重新索引。

dtypestr、numpy.dtype 或 ExtensionDtype，可选

输出 Series 的数据类型。如果未指定，则将从数据中推断出。请参阅用户指南获取更多用法。

name可哈希，默认为 None

要赋予 Series 的名称。

copybool，默认为 False

复制输入数据。仅影响 Series 或 1d ndarray 输入。见示例。

注意事项

更多信息，请参考用户指南。

示例

从指定了索引的字典构建 Series

>>> d = {'a': 1, 'b': 2, 'c': 3}
>>> ser = pd.Series(data=d, index=['a', 'b', 'c'])
>>> ser
a   1
b   2
c   3
dtype: int64

字典的键与索引值匹配，因此索引值没有影响。

>>> d = {'a': 1, 'b': 2, 'c': 3}
>>> ser = pd.Series(data=d, index=['x', 'y', 'z'])
>>> ser
x   NaN
y   NaN
z   NaN
dtype: float64

请注意，索引首先是由字典中的键构建的。之后，Series 会根据给定的索引值重新索引，因此我们会得到全部 NaN 作为结果。

使用 copy=False 从列表构建 Series。

>>> r = [1, 2]
>>> ser = pd.Series(r, copy=False)
>>> ser.iloc[0] = 999
>>> r
[1, 2]
>>> ser
0    999
1      2
dtype: int64

由于输入数据类型，即使 copy=False，Series 也会复制原始数据的副本，因此数据不会改变。

使用 copy=False 从 1d ndarray 构建 Series。

>>> r = np.array([1, 2])
>>> ser = pd.Series(r, copy=False)
>>> ser.iloc[0] = 999
>>> r
array([999,   2])
>>> ser
0    999
1      2
dtype: int64

由于输入数据类型，Series 对原始数据有一个视图，因此数据也会发生变化。

属性

`T`	返回转置，按定义为自身。
`array`	支持此 Series 或 Index 的数据的 ExtensionArray。
`at`	访问行/列标签对的单个值。
`attrs`	此数据集的全局属性字典。
`axes`	返回行轴标签列表。
`dtype`	返回基础数据的 dtype 对象。
`dtypes`	返回基础数据的 dtype 对象。
`empty`	指示 Series/DataFrame 是否为空。
`flags`	获取与此 pandas 对象关联的属性。
`hasnans`	如果存在任何 NaN，则返回 True。
`iat`	通过整数位置访问行/列对的单个值。
`iloc`	（已弃用）纯粹基于整数位置的索引，用于按位置进行选择。
`index`	Series 的索引（轴标签）。
`is_monotonic_decreasing`	如果对象中的值是单调递减的，则返回布尔值。
`is_monotonic_increasing`	如果对象中的值是单调递增的，则返回布尔值。
`is_unique`	如果对象中的值是唯一的，则返回布尔值。
`loc`	通过标签或布尔数组访问一组行和列。
`name`	返回 Series 的名称。
`nbytes`	返回基础数据中的字节数。
`ndim`	基础数据的维数，根据定义为 1。
`shape`	返回基础数据的形状的元组。
`size`	返回基础数据中的元素数。
`values`	根据 dtype 返回 Series 作为 ndarray 或类似 ndarray。

方法

`abs`()	返回每个元素的绝对数值的 Series/DataFrame。
`add`(other[, level, fill_value, axis])	返回系列和其他的加法，逐元素进行（二进制运算符 add）。
`add_prefix`(prefix[, axis])	使用字符串前缀为标签添加前缀。
`add_suffix`(suffix[, axis])	使用字符串后缀为标签添加后缀。
`agg`([func, axis])	使用一个或多个操作在指定轴上进行聚合。
`aggregate`([func, axis])	使用一个或多个操作在指定轴上进行聚合。
`align`(other[, join, axis, level, copy, ...])	使用指定的连接方法在它们的轴上对齐两个对象。
`all`([axis, bool_only, skipna])	返回是否所有元素都为 True，可能在一个轴上。
`any`(*[, axis, bool_only, skipna])	返回是否有任何元素为 True，可能在一个轴上。
`apply`(func[, convert_dtype, args, by_row])	对 Series 的值调用函数。
`argmax`([axis, skipna])	返回 Series 中最大值的整数位置。
`argmin`([axis, skipna])	返回 Series 中最小值的整数位置。
`argsort`([axis, kind, order, stable])	返回将 Series 值排序的整数索引。
`asfreq`(freq[, method, how, normalize, ...])	将时间序列转换为指定频率。
`asof`(where[, subset])	返回在指定位置之前没有任何 NaN 的最后一行。
`astype`(dtype[, copy, errors])	将 pandas 对象转换为指定的数据类型 `dtype`。
`at_time`(time[, asof, axis])	选择特定时间的值（例如，上午 9:30）。
`autocorr`([lag])	计算滞后 N 的自相关性。
`backfill`(*[, axis, inplace, limit, downcast])	(已弃用) 使用下一个有效观察值填充 NA/NaN 值以填补间隙。
`between`(left, right[, inclusive])	返回布尔 Series，等效于 left <= series <= right。
`between_time`(start_time, end_time[, ...])	选择一天中特定时间段之间的值（例如，上午 9:00-9:30）。
`bfill`(*[, axis, inplace, limit, limit_area, ...])	使用下一个有效观测值填充 NA/NaN 值。
`bool`()	（已弃用）返回单个元素 Series 或 DataFrame 的布尔值。
`case_when`(caselist)	替换条件为 True 的值。
`clip`([lower, upper, axis, inplace])	在输入阈值处修剪值。
`combine`(other, func[, fill_value])	根据 func 将 Series 与 Series 或标量组合。
`combine_first`(other)	使用 'other' 中相同位置的值更新空元素。
`compare`(other[, align_axis, keep_shape, ...])	与另一个 Series 进行比较并显示差异。
`convert_dtypes`([infer_objects, ...])	使用支持 `pd.NA` 的 dtypes 将列转换为最佳可能的 dtypes。
`copy`([deep])	复制此对象的索引和数据。
`corr`(other[, method, min_periods])	计算与其他 Series 的相关性，不包括缺失值。
`count`()	返回 Series 中非 NA/null 观测值的数量。
`cov`(other[, min_periods, ddof])	计算与 Series 的协方差，不包括缺失值。
`cummax`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积最大值。
`cummin`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积最小值。
`cumprod`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积乘积。
`cumsum`([axis, skipna])	返回 DataFrame 或 Series 轴上的累积和。
`describe`([percentiles, include, exclude])	生成描述性统计信息。
`diff`([periods])	元素的第一个离散差异。
`div`(other[, level, fill_value, axis])	返回系列和其他元素的浮点除法，逐元素进行（二元运算符 truediv）。
`divide`(other[, level, fill_value, axis])	返回系列和其他元素的浮点除法，逐元素进行（二元运算符 truediv）。
`divmod`(other[, level, fill_value, axis])	返回系列和其他元素的整数除法和模数，逐元素进行（二元运算符 divmod）。
`dot`(other)	计算 Series 和其他列之间的点积。
`drop`([labels, axis, index, columns, level, ...])	返回删除指定索引标签的 Series。
`drop_duplicates`(*[, keep, inplace, ignore_index])	返回删除重复值的 Series。
`droplevel`(level[, axis])	返回删除请求的索引/列级别的 Series/DataFrame。
`dropna`(*[, axis, inplace, how, ignore_index])	返回删除缺失值的新 Series。
`duplicated`([keep])	表示 Series 值是否重复。
`eq`(other[, level, fill_value, axis])	返回系列��其他元素的相等，逐元素进行（二元运算符 eq）。
`equals`(other)	测试两个对象是否包含相同的元素。
`ewm`([com, span, halflife, alpha, ...])	提供指数加权（EW）计算。
`expanding`([min_periods, axis, method])	提供扩展窗口计算。
`explode`([ignore_index])	将类似列表的每个元素转换为一行。
`factorize`([sort, use_na_sentinel])	将对象编码为枚举类型或分类变量。
`ffill`(*[, axis, inplace, limit, limit_area, ...])	通过将最后一个有效观察传播到下一个有效值，填充 NA/NaN 值。
`fillna`([value, method, axis, inplace, ...])	使用指定方法填充 NA/NaN 值。
`filter`([items, like, regex, axis])	根据指定的索引标签，对数据帧行或列进行子集选择。
`first`(offset)	(已弃用)根据日期偏移量选择时间序列数据的初始周期。
`first_valid_index`()	返回第一个非 NA 值的索引，如果没有找到非 NA 值，则返回 None。
`floordiv`(other[, level, fill_value, axis])	返回序列和其他的整数除法，逐元素（二进制运算符 floordiv）。
`ge`(other[, level, fill_value, axis])	返回序列和其他的大于或等于，逐元素（二进制运算符 ge）。
`get`(key[, default])	获取给定键的对象中的项（例如：DataFrame 列）。
`groupby`([by, axis, level, as_index, sort, ...])	使用映射器或列的 Series 进行分组。
`gt`(other[, level, fill_value, axis])	返回序列和其他的大于，逐元素（二进制运算符 gt）。
`head`([n])	返回前 n 行。
`hist`([by, ax, grid, xlabelsize, xrot, ...])	使用 matplotlib 绘制输入系列的直方图。
`idxmax`([axis, skipna])	返回最大值的行标签。
`idxmin`([axis, skipna])	返回最小值的行标签。
`infer_objects`([copy])	尝试推断对象列的更好的数据类型。
`info`([verbose, buf, max_cols, memory_usage, ...])	打印 Series 的简洁摘要。
`interpolate`([method, axis, limit, inplace, ...])	使用插值方法填充 NaN 值。
`isin`(values)	Series 中的元素是否包含在 values 中。
`isna`()	检测缺失值。
`isnull`()	Series.isnull 是 Series.isna 的别名。
`item`()	将底层数据的第一个元素作为 Python 标量返回。
`items`()	惰性地遍历 (index, value) 元组。
`keys`()	返回索引的别名。
`kurt`([axis, skipna, numeric_only])	返回请求轴上的无偏峰度。
`kurtosis`([axis, skipna, numeric_only])	返回请求轴上的无偏峰度。
`last`(offset)	(已弃用) 根据日期偏移选择时间序列数据的最终周期。
`last_valid_index`()	返回最后一个非 NA 值的索引，如果找不到非 NA 值，则返回 None。
`le`(other[, level, fill_value, axis])	返回 series 和 other 的小于或等于值，逐元素进行比较（二元运算符 le）。
`lt`(other[, level, fill_value, axis])	返回 series 和 other 的小于值，逐元素进行比较（二元运算符 lt）。
`map`(arg[, na_action])	根据输入映射或函数映射 Series 的值。
`mask`(cond[, other, inplace, axis, level])	替换条件为 True 的值。
`max`([axis, skipna, numeric_only])	返回请求轴上的值的最大值。
`mean`([axis, skipna, numeric_only])	返回请求轴上的值的平均值。
`median`([axis, skipna, numeric_only])	返回请求轴上的值的中位数。
`memory_usage`([index, deep])	返回 Series 的内存使用情况。
`min`([axis, skipna, numeric_only])	返回请求轴上的值的最小值。
`mod`(other[, level, fill_value, axis])	返回系列和其他的模数，逐元素计算（二元运算符 mod）。
`mode`([dropna])	返回 Series 的众数（mode）。
`mul`(other[, level, fill_value, axis])	返回系列和其他的乘法，逐元素计算（二元运算符 mul）。
`multiply`(other[, level, fill_value, axis])	返回系列和其他的乘法，逐元素计算（二元运算符 mul）。
`ne`(other[, level, fill_value, axis])	返回系列和其他的不等于，逐元素计算��二元运算符 ne）。
`nlargest`([n, keep])	返回最大的 n 个元素。
`notna`()	检测存在的（非缺失）值。
`notnull`()	Series.notnull 是 Series.notna 的别名。
`nsmallest`([n, keep])	返回最小的 n 个元素。
`nunique`([dropna])	返回对象中唯一元素的数量。
`pad`(*[, axis, inplace, limit, downcast])	（已弃用）通过将最后一个有效观察结果传播到下一个有效观察结果来填充 NA/NaN 值。
`pct_change`([periods, fill_method, limit, freq])	当前元素与先前元素之间的分数变化。
`pipe`(func, args, *kwargs)	应用可链式调用的函数，期望 Series 或 DataFrame。
`pop`(item)	返回项目并从系列中删除。
`pow`(other[, level, fill_value, axis])	返回系列和其他的指数幂，逐元素计算（二元运算符 pow）。
`prod`([axis, skipna, numeric_only, min_count])	返回沿请求轴的值的乘积。
`product`([axis, skipna, numeric_only, min_count])	返回沿请求轴的值的乘积。
`quantile`([q, interpolation])	返回给定分位数处的值。
`radd`(other[, level, fill_value, axis])	返回系列和其他元素的加法，逐元素进行（二进制运算符 radd）。
`rank`([axis, method, numeric_only, ...])	沿轴计算数值数据排名（1 到 n）。
`ravel`([order])	(已弃用) 将底层数据展平为 ndarray 或 ExtensionArray。
`rdiv`(other[, level, fill_value, axis])	返回系列和其他元素的浮点除法，逐元素进行（二进制运算符 rtruediv）。
`rdivmod`(other[, level, fill_value, axis])	返回系列和其他元素的整数除法和取模，逐元素进行（二进制运算符 rdivmod）。
`reindex`([index, axis, method, copy, level, ...])	将 Series 调整为具有可选填充逻辑的新索引。
`reindex_like`(other[, method, copy, limit, ...])	返回具有与其他对象匹配索引的对象。
`rename`([index, axis, copy, inplace, level, ...])	更改 Series 索引标签或名称。
`rename_axis`([mapper, index, axis, copy, inplace])	为索引或列设置轴的名称。
`reorder_levels`(order)	使用输入顺序重新排列索引级别。
`repeat`(repeats[, axis])	重复 Series 的元素。
`replace`([to_replace, value, inplace, limit, ...])	用给定值替换 to_replace 中的值。
`resample`(rule[, axis, closed, label, ...])	对时间序列数据进行重新采样。
`reset_index`([level, drop, name, inplace, ...])	生成具有重置索引的新 DataFrame 或 Series。
`rfloordiv`(other[, level, fill_value, axis])	返回系列和其他元素的整数除法，逐元素进行（二进制运算符 rfloordiv）。
`rmod`(other[, level, fill_value, axis])	返回系列和其他元素的取模，逐元素进行（二进制运算符 rmod）。
`rmul`(other[, level, fill_value, axis])	返回系列和其他元素的乘积，逐元素计算（二进制运算符 rmul）。
`rolling`(window[, min_periods, center, ...])	提供滚动窗口计算。
`round`([decimals])	将系列中的每个值四舍五入到给定的小数位数。
`rpow`(other[, level, fill_value, axis])	返回序列和其他元素的指数幂，逐元素计算（二进制运算符 rpow）。
`rsub`(other[, level, fill_value, axis])	返回系列和其他元素的差异，逐元素计算（二进制运算符 rsub）。
`rtruediv`(other[, level, fill_value, axis])	返回系列和其他元素的浮点除法，逐元素计算（二进制运算符 rtruediv）。
`sample`([n, frac, replace, weights, ...])	从对象的轴中返回随机样本项目。
`searchsorted`(value[, side, sorter])	找到应插入元素以维护顺序的索引。
`sem`([axis, skipna, ddof, numeric_only])	返回请求轴上的无偏均值标准误差。
`set_axis`(labels, *[, axis, copy])	将所需的索引分配给给定的轴。
`set_flags`(*[, copy, allows_duplicate_labels])	返回带有更新标志的新对象。
`shift`([periods, freq, axis, fill_value, suffix])	将索引按所需的周期数移动，并可选择性地指定时间频率。
`skew`([axis, skipna, numeric_only])	返回请求轴上的无偏倾斜度。
`sort_index`(*[, axis, level, ascending, ...])	按索引标签对系列进行排序。
`sort_values`(*[, axis, ascending, inplace, ...])	按值排序。
`squeeze`([axis])	将 1 维轴对象压缩为标量。
`std`([axis, skipna, ddof, numeric_only])	返回请求轴上的样本标准差。
`sub`(other[, level, fill_value, axis])	返回系列和其他元素的减法，逐元素进行（二进制运算符 sub）。
`subtract`(other[,��level, fill_value, axis])	返回系列和其他元素的减法，逐元素进行（二进制运算符 sub）。
`sum`([axis, skipna, numeric_only, min_count])	返回请求轴上值的总和。
`swapaxes`(axis1, axis2[, copy])	（已弃用）交换轴并适当交换值轴。
`swaplevel`([i, j, copy])	在 `MultiIndex` 中交换级别 i 和 j。
`tail`([n])	返回最后 n 行。
`take`(indices[, axis])	返回沿轴的给定位置索引的元素。
`to_clipboard`(*[, excel, sep])	将对象复制到系统剪贴板。
`to_csv`([path_or_buf, sep, na_rep, ...])	将对象写入逗号分隔值（csv）文件。
`to_dict`(*[, into])	将 Series 转换为 {label -> value} 字典或类似字典的对象。
`to_excel`(excel_writer, *[, sheet_name, ...])	将对象写入 Excel 表。
`to_frame`([name])	将 Series 转换为 DataFrame。
`to_hdf`(path_or_buf, *, key[, mode, ...])	使用 HDFStore 将包含的数据写入 HDF5 文件。
`to_json`([path_or_buf, orient, date_format, ...])	将对象转换为 JSON 字符串。
`to_latex`([buf, columns, header, index, ...])	将对象呈现为 LaTeX 表格、长表格或嵌套表格。
`to_list`()	返回值的列表。
`to_markdown`([buf, mode, index, storage_options])	以 Markdown 友好的格式打印 Series。
`to_numpy`([dtype, copy, na_value])	表示此 Series 或索引中的值的 NumPy ndarray。
`to_period`([freq, copy])	将 Series 从 DatetimeIndex 转换为 PeriodIndex。
`to_pickle`(path, *[, compression, protocol, ...])	将对象保存为 pickle（序列化）文件。
`to_sql`(name, con, *[, schema, if_exists, ...])	将存储在 DataFrame 中的记录写入 SQL 数据库。
`to_string`([buf, na_rep, float_format, ...])	渲染 Series 的字符串表示形式。
`to_timestamp`([freq, how, copy])	转换为 Timestamps 的 DatetimeIndex，位于周期的开始处。
`to_xarray`()	从 pandas 对象返回一个 xarray 对象。
`tolist`()	返回值的列表形式。
`transform`(func[, axis])	对自身调用 `func`，产生一个与自身轴形状相同的 Series。
`transpose`(args, *kwargs)	返回转置，其定义为自身。
`truediv`(other[, level, fill_value, axis])	返回系列和其他的浮点除法，逐元素进行（二元运算符 truediv）。
`truncate`([before, after, axis, copy])	在某个索引值之前和之后截断 Series 或 DataFrame。
`tz_convert`(tz[, axis, level, copy])	将带有时区信息的轴转换为目标时区。
`tz_localize`(tz[, axis, level, copy, ...])	将 Series 或 DataFrame 的时区无关索引本地化为目标时区。
`unique`()	返回 Series 对象的唯一值。
`unstack`([level, fill_value, sort])	将具有 MultiIndex 的 Series 进行解压缩，也称为透视，以生成 DataFrame。
`update`(other)	使用传入的 Series 的值就地修改 Series。
`value_counts`([normalize, sort, ascending, ...])	返回包含唯一值计数的 Series。
`var`([axis, skipna, ddof, numeric_only])	返回所请求轴上的无偏方差。
`view`([dtype])	(已弃用) 创建 Series 的新视图。
`where`(cond[, other, inplace, axis, level])	替换条件为假的值。
`xs`(key[, axis, level, drop_level])	从 Series/DataFrame 返回横截面。

`pandas.Series.index`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.index.html

Series.index

Series 的索引（轴标签）。

一个 Series 的索引被用来标记和识别底层数据的每个元素。索引可以被看作是一个不可变的有序集合（技术上是一个多重集，因为它可能包含重复的标签），并且被用于在 pandas 中索引和对齐数据。

索引

Series 的索引标签。

另请参阅

Series.reindex

将 Series 调整到新的索引。

Index

pandas 的基础索引类型。

注意

关于 pandas 索引的更多信息，请参阅索引用户指南。

示例

要创建一个带有自定义索引并查看索引标签的 Series：

>>> cities = ['Kolkata', 'Chicago', 'Toronto', 'Lisbon']
>>> populations = [14.85, 2.71, 2.93, 0.51]
>>> city_series = pd.Series(populations, index=cities)
>>> city_series.index
Index(['Kolkata', 'Chicago', 'Toronto', 'Lisbon'], dtype='object')

要更改现有 Series 的索引标签：

>>> city_series.index = ['KOL', 'CHI', 'TOR', 'LIS']
>>> city_series.index
Index(['KOL', 'CHI', 'TOR', 'LIS'], dtype='object')

`pandas.Series.array`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.array.html

property Series.array

支持此 Series 或 Index 的数据的 ExtensionArray。

ExtensionArray

存储的值的 ExtensionArray。对于扩展类型，这是实际的数组。对于 NumPy 原生类型，这是一个薄的（无需复制）包装器，包围着 numpy.ndarray.

.array 与 .values 不同，可能需要将数据转换为不同的形式。

另请参阅

Index.to_numpy

一个始终返回 NumPy 数组的类似方法。

Series.to_numpy

一个始终返回 NumPy 数组的类似方法。

注意

此表列出了 pandas 中每个扩展 dtype 的不同数组类型。

dtype	数组类型
category	Categorical
period	PeriodArray
interval	IntervalArray
IntegerNA	IntegerArray
string	StringArray
boolean	BooleanArray
datetime64[ns, tz]	DatetimeArray

对于任何第三方扩展类型，数组类型将是一个 ExtensionArray。

对于所有剩余的 dtypes，.array 将是一个 arrays.NumpyExtensionArray，包装了实际存储的 ndarray。如果您绝对需要一个 NumPy 数组（可能需要复制/强制转换数据），那么请使用 Series.to_numpy()。

示例

对于常规的 NumPy 类型，如 int 和 float，将返回一个 NumpyExtensionArray。

>>> pd.Series([1, 2, 3]).array
<NumpyExtensionArray>
[1, 2, 3]
Length: 3, dtype: int64

对于类别型等扩展类型，将返回实际的 ExtensionArray。

>>> ser = pd.Series(pd.Categorical(['a', 'b', 'a']))
>>> ser.array
['a', 'b', 'a']
Categories (2, object): ['a', 'b']

`pandas.Series.values`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.values.html

property Series.values

根据 dtype 返回 Series 作为 ndarray 或类似 ndarray。

警告

我们建议使用Series.array或Series.to_numpy()，取决于您是否需要对基础数据的引用或 NumPy 数组。

numpy.ndarray 或类似 ndarray

另请参见

Series.array

对基础数据的引用。

Series.to_numpy

代表基础数据的 NumPy 数组。

示例

>>> pd.Series([1, 2, 3]).values
array([1, 2, 3])

>>> pd.Series(list('aabc')).values
array(['a', 'a', 'b', 'c'], dtype=object)

>>> pd.Series(list('aabc')).astype('category').values
['a', 'a', 'b', 'c']
Categories (3, object): ['a', 'b', 'c']

时区感知的日期时间数据被转换为 UTC：

>>> pd.Series(pd.date_range('20130101', periods=3,
...                         tz='US/Eastern')).values
array(['2013-01-01T05:00:00.000000000',
 '2013-01-02T05:00:00.000000000',
 '2013-01-03T05:00:00.000000000'], dtype='datetime64[ns]')

`pandas.Series.dtype`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.dtype.html

property Series.dtype

返回底层数据的 dtype 对象。

示例

>>> s = pd.Series([1, 2, 3])
>>> s.dtype
dtype('int64')

`pandas.Series.shape`

pandas.pydata.org/docs/reference/api/pandas.Series.shape.html

property Series.shape

返回基础数据的形状的元组。

示例

>>> s = pd.Series([1, 2, 3])
>>> s.shape
(3,)

`pandas.Series.nbytes`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.nbytes.html

property Series.nbytes

返回基础数据中的字节数。

示例

对于系列：

>>> s = pd.Series(['Ant', 'Bear', 'Cow'])
>>> s
0     Ant
1    Bear
2     Cow
dtype: object
>>> s.nbytes
24

对于索引：

>>> idx = pd.Index([1, 2, 3])
>>> idx
Index([1, 2, 3], dtype='int64')
>>> idx.nbytes
24

`pandas.Series.ndim`

pandas.pydata.org/docs/reference/api/pandas.Series.ndim.html

property Series.ndim

底层数据的维度数量，根据定义为 1。

示例

>>> s = pd.Series(['Ant', 'Bear', 'Cow'])
>>> s
0     Ant
1    Bear
2     Cow
dtype: object
>>> s.ndim
1

对于索引：

>>> idx = pd.Index([1, 2, 3])
>>> idx
Index([1, 2, 3], dtype='int64')
>>> idx.ndim
1

`pandas.Series.size`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.size.html

property Series.size

返回底层数据中元素的数量。

示例

对于 Series：

>>> s = pd.Series(['Ant', 'Bear', 'Cow'])
>>> s
0     Ant
1    Bear
2     Cow
dtype: object
>>> s.size
3

对于 Index：

>>> idx = pd.Index([1, 2, 3])
>>> idx
Index([1, 2, 3], dtype='int64')
>>> idx.size
3

`pandas.Series.T`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.T.html

property Series.T

返回转置，根据定义是自身。

例子

对于 Series：

>>> s = pd.Series(['Ant', 'Bear', 'Cow'])
>>> s
0     Ant
1    Bear
2     Cow
dtype: object
>>> s.T
0     Ant
1    Bear
2     Cow
dtype: object

对于索引：

>>> idx = pd.Index([1, 2, 3])
>>> idx.T
Index([1, 2, 3], dtype='int64')

`pandas.Series.memory_usage`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.memory_usage.html

Series.memory_usage(index=True, deep=False)

返回 Series 的内存使用量。

内存使用量可以选择包括索引和对象数据类型元素的贡献。

参数：

indexbool，默认为 True

指定是否包括 Series 索引的内存使用量。

deepbool，默认为 False

如果为 True，则通过查询对象数据类型以获取系统级内存消耗来深入检查数据，并将其包含在返回值中。

int

消耗的内存字节数。

另请参阅

numpy.ndarray.nbytes

数组元素消耗的总字节数。

DataFrame.memory_usage

DataFrame 消耗的字节。

示例

>>> s = pd.Series(range(3))
>>> s.memory_usage()
152

不包括索引会给出数据的其余部分的大小，这部分大小必然更小：

>>> s.memory_usage(index=False)
24

默认情况下忽略对象值的内存占用：

>>> s = pd.Series(["a", "b"])
>>> s.values
array(['a', 'b'], dtype=object)
>>> s.memory_usage()
144
>>> s.memory_usage(deep=True)
244

`pandas.Series.hasnans`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.hasnans.html

property Series.hasnans

如果有任何 NaN，则返回 True。

启用各种性能加速。

bool

示例

>>> s = pd.Series([1, 2, 3, None])
>>> s
0    1.0
1    2.0
2    3.0
3    NaN
dtype: float64
>>> s.hasnans
True

`pandas.Series.empty`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.empty.html

property Series.empty

指示 Series/DataFrame 是否为空。

如果 Series/DataFrame 完全为空（没有任何项），意味着任一轴的长度为 0。

布尔值

如果 Series/DataFrame 为空，则返回 True，否则返回 False。

另请参阅

Series.dropna

返回不含空值的 Series。

DataFrame.dropna

返回在给定轴上省略标签的 DataFrame，其中（所有或任何）数据缺失。

笔记

如果 Series/DataFrame 仅包含 NaN，则仍然不被视为空。请参阅下面的示例。

示例

实际空 DataFrame 的示例。请注意索引为空：

>>> df_empty = pd.DataFrame({'A' : []})
>>> df_empty
Empty DataFrame
Columns: [A]
Index: []
>>> df_empty.empty
True

如果我们的 DataFrame 中只有 NaN，它不被视为空！我们需要删除 NaN 使 DataFrame 为空：

>>> df = pd.DataFrame({'A' : [np.nan]})
>>> df
 A
0 NaN
>>> df.empty
False
>>> df.dropna().empty
True

>>> ser_empty = pd.Series({'A' : []})
>>> ser_empty
A    []
dtype: object
>>> ser_empty.empty
False
>>> ser_empty = pd.Series()
>>> ser_empty.empty
True

`pandas.Series.dtypes`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.dtypes.html

property Series.dtypes

返回基础数据的 dtype 对象。

示例

>>> s = pd.Series([1, 2, 3])
>>> s.dtypes
dtype('int64')

`pandas.Series.name`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.name.html

property Series.name

返回 Series 的名称。

如果 Series 用于构成 DataFrame，则 Series 的名称变为其索引或列名。在使用解释器显示 Series 时也会使用它。

标签（可散列对象）

Series 的名称，如果是 DataFrame 的一部分，则也是列名。

另请参阅

Series.rename

给定标量输入时设置 Series 名称。

Index.name

对应的 Index 属性。

示例

在调用构造函数时可以最初设置 Series 名称。

>>> s = pd.Series([1, 2, 3], dtype=np.int64, name='Numbers')
>>> s
0    1
1    2
2    3
Name: Numbers, dtype: int64
>>> s.name = "Integers"
>>> s
0    1
1    2
2    3
Name: Integers, dtype: int64

DataFrame 中 Series 的名称是其列名。

>>> df = pd.DataFrame([[1, 2], [3, 4], [5, 6]],
...                   columns=["Odd Numbers", "Even Numbers"])
>>> df
 Odd Numbers  Even Numbers
0            1             2
1            3             4
2            5             6
>>> df["Even Numbers"].name
'Even Numbers'

`pandas.Series.flags`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.flags.html

property Series.flags

获取与此 pandas 对象关联的属性。

可用的标志有

Flags.allows_duplicate_labels

参见

Flags

适用于 pandas 对象的标志。

DataFrame.attrs

适用于此数据集的全局元数据。

注意

“标志”与“元数据”不同。标志反映了 pandas 对象（Series 或 DataFrame）的属性。元数据指的是数据集的属性，应存储在DataFrame.attrs中。

示例

>>> df = pd.DataFrame({"A": [1, 2]})
>>> df.flags
<Flags(allows_duplicate_labels=True)>

可以使用.来获取或设置标志。

>>> df.flags.allows_duplicate_labels
True
>>> df.flags.allows_duplicate_labels = False

或通过使用键进行切片

>>> df.flags["allows_duplicate_labels"]
False
>>> df.flags["allows_duplicate_labels"] = True

`pandas.Series.set_flags`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.set_flags.html

Series.set_flags(*, copy=False, allows_duplicate_labels=None)

返回一个更新了标志的新对象。

参数：

copybool，默认为 False

指定是否应复制对象。

注意

在 pandas 3.0 中，copy 关键字的行为将发生变化。写时复制将默认启用，这意味着所有带有 copy 关键字的方法将使用惰性复制机制来推迟复制并忽略 copy 关键字。 copy 关键字将在未来版本的 pandas 中删除。

通过启用写时复制 pd.options.mode.copy_on_write = True，您已经可以获得未来的行为和改进。

allows_duplicate_labelsbool，可选

返回对象是否允许重复标签。

Series 或 DataFrame

调用者的相同类型。

另请参阅

DataFrame.attrs

适用于此数据集的全局元数据。

DataFrame.flags

适用于此对象的全局标志。

注意事项

此方法返回一个新对象，该对象是输入数据的视图。修改输入或输出值将反映在另一个值中。

该方法旨在用于方法链中使用。

“Flags”与“元数据”不同。标志反映了 pandas 对象（Series 或 DataFrame）的属性。元数据指数据集的属性，应存储在 DataFrame.attrs 中。

示例

>>> df = pd.DataFrame({"A": [1, 2]})
>>> df.flags.allows_duplicate_labels
True
>>> df2 = df.set_flags(allows_duplicate_labels=False)
>>> df2.flags.allows_duplicate_labels
False

`pandas.Series.astype`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.astype.html

Series.astype(dtype, copy=None, errors='raise')

将 pandas 对象转换为指定的数据类型dtype。

参数：

dtypestr，数据类型，Series 或列名 -> 数据类型的映射

使用字符串、numpy.dtype、pandas.ExtensionDtype 或 Python 类型将整个 pandas 对象转换为相同类型。或者，使用映射，例如{col: dtype, …}，其中 col 是列标签，dtype 是 numpy.dtype 或 Python 类型，将数据框的一个或多个列转换为特定类型。

copybool，默认为 True

当copy=True时返回一个副本（设置copy=False时要非常小心，因为值的更改可能传播到其他 pandas 对象）。

注意

copy关键字在 pandas 3.0 中的行为将发生变化。写时复制将默认启用，这意味着所有带有copy关键字的方法将使用延迟复制机制来推迟复制并忽略copy关键字。copy关键字将在未来版本的 pandas 中被移除。

通过启用写时复制pd.options.mode.copy_on_write = True，您已经可以获得未来的行为和改进。

errors，默认为‘raise’

控制对提供的数据类型的无效数据引发异常。

raise：允许引发异常
ignore：忽略异常。出错时返回原始对象。

与调用者相同的类型

另请参阅

to_datetime

将参数转换为日期时间。

to_timedelta

将参数转换为时间间隔。

to_numeric

将参数转换为数值类型。

numpy.ndarray.astype

将 numpy 数组转换为指定类型。

注意

从版本 2.0.0 开始更改：使用astype从时区无关的数据类型转换为时区感知的数据类型将引发异常。请改用Series.dt.tz_localize()。

示例

创建一个数据框：

>>> d = {'col1': [1, 2], 'col2': [3, 4]}
>>> df = pd.DataFrame(data=d)
>>> df.dtypes
col1    int64
col2    int64
dtype: object

将所有列转换为 int32：

>>> df.astype('int32').dtypes
col1    int32
col2    int32
dtype: object

使用字典将 col1 转换为 int32：

>>> df.astype({'col1': 'int32'}).dtypes
col1    int32
col2    int64
dtype: object

创建一个系列：

>>> ser = pd.Series([1, 2], dtype='int32')
>>> ser
0    1
1    2
dtype: int32
>>> ser.astype('int64')
0    1
1    2
dtype: int64

转换为分类类型：

>>> ser.astype('category')
0    1
1    2
dtype: category
Categories (2, int32): [1, 2]

将转换为具有自定义排序的有序分类类型：

>>> from pandas.api.types import CategoricalDtype
>>> cat_dtype = CategoricalDtype(
...     categories=[2, 1], ordered=True)
>>> ser.astype(cat_dtype)
0    1
1    2
dtype: category
Categories (2, int64): [2 < 1]

创建一个日期系列：

>>> ser_date = pd.Series(pd.date_range('20200101', periods=3))
>>> ser_date
0   2020-01-01
1   2020-01-02
2   2020-01-03
dtype: datetime64[ns]

`pandas.Series.convert_dtypes`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.convert_dtypes.html

Series.convert_dtypes(infer_objects=True, convert_string=True, convert_integer=True, convert_boolean=True, convert_floating=True, dtype_backend='numpy_nullable')

使用支持pd.NA的数据类型将列转换为最佳可能的数据类型。

参数：

infer_objectsbool，默认为 True

是否应将对象数据类型转换为最佳可能的类型。

convert_stringbool，默认为 True

是否应将对象数据类型转换为StringDtype()。

convert_integerbool，默认为 True

是否，如果可能的话，可以将其转换为整数扩展类型。

convert_booleanbool，默认为 True

是否应将对象数据类型转换为BooleanDtypes()。

convert_floatingbool，默认为 True

是否，如果可能的话，可以将其转换为浮点扩展类型。如果convert_integer也为True，则优先考虑整数数据类型，如果浮点数可以被准确地转换为整数。

dtype_backend，默认为‘numpy_nullable’

应用于结果DataFrame的后端数据类型（仍处于实验阶段）。行为如下：

"numpy_nullable"：返回可空 dtype 支持的DataFrame（默认）。
"pyarrow"：返回 pyarrow 支持的可空ArrowDtype DataFrame。

新版本 2.0 中新增。

Series 或 DataFrame

具有新数据类型的输入对象的副本。

另请参见

推断对象的数据类型。

将参数转换为日期时间。

将参数转换为时间差。

将参数转换为数值类型。

注意事项

默认情况下，convert_dtypes将尝试将 Series（或 DataFrame 中的每个 Series）转换为支持pd.NA的数据类型。通过使用选项convert_string、convert_integer、convert_boolean和convert_floating，可以分别关闭到StringDtype、整数扩展类型、BooleanDtype或浮点扩展类型的单个转换。

对于对象数据类型的列，如果infer_objects为True，则使用与正常 Series/DataFrame 构造过程相同的推断规则。然后，如果可能，转换为StringDtype、BooleanDtype或适当的整数或浮点扩展类型，否则保持为object。

如果 dtype 是整数，则转换为适当的整数扩展类型。

如果 dtype 是数值型，并且由全部整数组成，则转换为适当的整数扩展类型。否则，转换为适当的浮点扩展类型。

将来，随着添加支持pd.NA的新数据类型，此方法的结果将会改变以支持这些新数据类型。

例子

>>> df = pd.DataFrame(
...     {
...         "a": pd.Series([1, 2, 3], dtype=np.dtype("int32")),
...         "b": pd.Series(["x", "y", "z"], dtype=np.dtype("O")),
...         "c": pd.Series([True, False, np.nan], dtype=np.dtype("O")),
...         "d": pd.Series(["h", "i", np.nan], dtype=np.dtype("O")),
...         "e": pd.Series([10, np.nan, 20], dtype=np.dtype("float")),
...         "f": pd.Series([np.nan, 100.5, 200], dtype=np.dtype("float")),
...     }
... )

从具有默认数据类型的 DataFrame 开始。

>>> df
 a  b      c    d     e      f
0  1  x   True    h  10.0    NaN
1  2  y  False    i   NaN  100.5
2  3  z    NaN  NaN  20.0  200.0

>>> df.dtypes
a      int32
b     object
c     object
d     object
e    float64
f    float64
dtype: object

将 DataFrame 转换为使用最佳可能的数据类型。

>>> dfn = df.convert_dtypes()
>>> dfn
 a  b      c     d     e      f
0  1  x   True     h    10   <NA>
1  2  y  False     i  <NA>  100.5
2  3  z   <NA>  <NA>    20  200.0

>>> dfn.dtypes
a             Int32
b    string[python]
c           boolean
d    string[python]
e             Int64
f           Float64
dtype: object

从字符串序列和由np.nan表示的缺失数据开始。

>>> s = pd.Series(["a", "b", np.nan])
>>> s
0      a
1      b
2    NaN
dtype: object

获得一个具有StringDtype数据类型的序列。

>>> s.convert_dtypes()
0       a
1       b
2    <NA>
dtype: string

`pandas.Series.infer_objects`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.infer_objects.html

Series.infer_objects(copy=None)

尝试推断对象列的更好数据类型。

尝试对对象类型的列进行软转换，保持非对象和无法转换的列不变。推断规则与正常 Series/DataFrame 构建时相同。

参数：

copybool，默认为 True

是否为非对象或无法推断的列或 Series 进行复制。

注意

使用copy关键字将在 pandas 3.0 中改变行为。写时复制将默认启用，这意味着所有带有copy关键字的方法将使用延迟复制机制来推迟复制并忽略copy关键字。copy关键字将在未来版本的 pandas 中被移除。

通过启用写时复制pd.options.mode.copy_on_write = True，您已经可以获得未来的行为和改进。

与输入对象相同的类型

参见

to_datetime

将参数转换为日期时间。

to_timedelta

将参数转换为时间间隔。

to_numeric

将参数转换为数值类型。

convert_dtypes

将参数转换为最佳可能的数据类型。

示例

>>> df = pd.DataFrame({"A": ["a", 1, 2, 3]})
>>> df = df.iloc[1:]
>>> df
 A
1  1
2  2
3  3

>>> df.dtypes
A    object
dtype: object

>>> df.infer_objects().dtypes
A    int64
dtype: object

`pandas.Series.copy`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.copy.html

Series.copy(deep=True)

复制此对象的索引和数据。

当deep=True（默认值）时，将创建一个新对象，其中包含调用对象的数据和索引的副本。对副本的数据或索引的修改将不会反映在原始对象中（请参阅下面的说明）。

当deep=False时，将创建一个新对象，而不会复制调用对象的数据或索引（只会复制到数据和索引的引用）。对原始数据的任何更改都将反映在浅拷贝中（反之亦然）。

注意

上述描述的deep=False行为将在 pandas 3.0 中发生变化。写时复制将默认启用，这意味着返回deep=False的“浅”拷贝仍将避免进行急切拷贝，但原始数据的更改将不再反映在浅拷贝中（反之亦然）。相反，它利用了一种懒惰（延迟）拷贝机制，只有在对原始数据或浅拷贝进行任何更改时才会复制数据。

您已经可以通过启用写时复制pd.options.mode.copy_on_write = True来获得未来的行为和改进。

参数：

deepbool，默认为 True

进行深度复制，包括数据和索引的复制。使用deep=False时，索引和数据都不会被复制。

Series 或 DataFrame

对象类型与调用者匹配。

说明

当deep=True时，数据会被复制，但实际的 Python 对象不会被递归复制，只会复制到对象的引用。这与标准库中的 copy.deepcopy 不同，后者会递归复制对象数据（请参阅下面的示例）。

当deep=True时，Index对象会被复制，但出于性能原因，底层 numpy 数组不会被复制。由于Index是不可变的，底层数据可以安全共享，因此不需要复制。

由于 pandas 不是线程安全的，请参阅在线程环境中复制时的注意事项。

当 pandas 配置中的copy_on_write设置为True时，即使deep=False，copy_on_write配置也会生效。这意味着对复制数据的任何更改都会在写入时生成数据的新副本（反之亦然）。对原始变量或复制变量进行的任何更改都不会反映在对方中。请参阅写时复制获取更多信息。

示例

>>> s = pd.Series([1, 2], index=["a", "b"])
>>> s
a    1
b    2
dtype: int64

>>> s_copy = s.copy()
>>> s_copy
a    1
b    2
dtype: int64

浅拷贝与默认（深拷贝）的区别：

>>> s = pd.Series([1, 2], index=["a", "b"])
>>> deep = s.copy()
>>> shallow = s.copy(deep=False)

浅拷贝与原始共享数据和索引。

>>> s is shallow
False
>>> s.values is shallow.values and s.index is shallow.index
True

深拷贝具有自己的数据和索引的副本。

>>> s is deep
False
>>> s.values is deep.values or s.index is deep.index
False

对由浅拷贝和原始共享的数据的更新在两者中都会反映出来（注意：对于 pandas >= 3.0，这将不再是真实的）；深拷贝保持不变。

>>> s.iloc[0] = 3
>>> shallow.iloc[1] = 4
>>> s
a    3
b    4
dtype: int64
>>> shallow
a    3
b    4
dtype: int64
>>> deep
a    1
b    2
dtype: int64

请注意，当复制包含 Python 对象的对象时，深拷贝会复制数据，但不会递归地这样做。更新嵌套数据对象将反映在深拷贝中。

>>> s = pd.Series([[1, 2], [3, 4]])
>>> deep = s.copy()
>>> s[0][0] = 10
>>> s
0    [10, 2]
1     [3, 4]
dtype: object
>>> deep
0    [10, 2]
1     [3, 4]
dtype: object

Copy-on-Write 设置为 true，当原始数据发生更改时，浅拷贝不会被修改：

>>> with pd.option_context("mode.copy_on_write", True):
...     s = pd.Series([1, 2], index=["a", "b"])
...     copy = s.copy(deep=False)
...     s.iloc[0] = 100
...     s
a    100
b      2
dtype: int64
>>> copy
a    1
b    2
dtype: int64

`pandas.Series.bool`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.bool.html

Series.bool()

返回单个元素 Series 或 DataFrame 的布尔值。

自版本 2.1.0 起已弃用：布尔值已弃用，并将在未来版本的 pandas 中移除。对于Series，请使用pandas.Series.item。

这必须是一个布尔标量值，要么为 True，要么为 False。如果 Series 或 DataFrame 不具有确切的 1 个元素，或该元素不是布尔值（整数值 0 和 1 也将引发异常），则会引发 ValueError。

布尔值

Series 或 DataFrame 中的值。

另请参见

Series.astype

更改 Series 的数据类型，包括布尔值。

DataFrame.astype

更改 DataFrame 的数据类型，包括布尔值。

numpy.bool_

NumPy 布尔数据类型，由 pandas 用于布尔值。

示例

该方法仅适用于具有布尔值的单元素对象：

>>> pd.Series([True]).bool()  
True
>>> pd.Series([False]).bool()  
False

>>> pd.DataFrame({'col': [True]}).bool()  
True
>>> pd.DataFrame({'col': [False]}).bool()  
False

这是一种替代方法，仅适用于具有布尔值的单元素对象：

>>> pd.Series([True]).item()  
True
>>> pd.Series([False]).item()  
False

`pandas.Series.to_numpy`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.to_numpy.html

Series.to_numpy(dtype=None, copy=False, na_value=_NoDefault.no_default, **kwargs)

表示此 Series 或 Index 中的值的 NumPy ndarray。

参数：

dtypestr 或 numpy.dtype，可选

传递给numpy.asarray()的 dtype。

copybool，默认为 False

是否确保返回的值不是另一个数组的视图。请注意，copy=False并不确保to_numpy()是无副本的。相反，copy=True确保进行复制，即使不是绝对必要。

na_value任意，可选

用于缺失值的值。默认值取决于 dtype 和数组的类型。

**kwargs

传递给底层数组的to_numpy方法的其他关键字（用于扩展数组）。

numpy.ndarray

另请参阅

Series.array

获取实际存储的数据。

Index.array

获取实际存储的数据。

DataFrame.to_numpy

DataFrame 的类似方法。

注意

返回的数组将相等（self 中相等的值在返回的数组中也相等；不相等的值也是如此）。当 self 包含 ExtensionArray 时，dtype 可能不同。例如，对于 category-dtype Series，to_numpy()将返回一个 NumPy 数组，分类 dtype 将丢失。

对于 NumPy dtypes，这将是对存储在此 Series 或 Index 中的实际数据的引用（假设copy=False）。在原地修改结果将修改存储在 Series 或 Index 中的数据（我们不建议这样做）。

对于扩展类型，to_numpy()可能需要复制数据并将结果强制转换为 NumPy 类型（可能是对象），这可能很昂贵。当您需要对底层数据进行无副本引用时，应改用Series.array。

该表列出了不同的 dtype 和各种 pandas 中各种 dtype 的to_numpy()的默认返回类型。

dtype	数组类型
category[T]	ndarray[T]（与输入相同的 dtype）
period	ndarray[object]（周期）
interval	ndarray[object]（间隔）
IntegerNA	ndarray[object]
datetime64[ns]	datetime64[ns]
datetime64[ns, tz]	ndarray[object]（时间戳）

示例

>>> ser = pd.Series(pd.Categorical(['a', 'b', 'a']))
>>> ser.to_numpy()
array(['a', 'b', 'a'], dtype=object)

指定 dtype 以控制如何表示 datetime-aware 数据。使用dtype=object返回一个包含正确tz的 pandas Timestamp对象的 ndarray。

>>> ser = pd.Series(pd.date_range('2000', periods=2, tz="CET"))
>>> ser.to_numpy(dtype=object)
array([Timestamp('2000-01-01 00:00:00+0100', tz='CET'),
 Timestamp('2000-01-02 00:00:00+0100', tz='CET')],
 dtype=object)

或dtype='datetime64[ns]'以返回本机 datetime64 值的 ndarray。值将转换为 UTC 并丢弃时区信息。

>>> ser.to_numpy(dtype="datetime64[ns]")
... 
array(['1999-12-31T23:00:00.000000000', '2000-01-01T23:00:00...'],
 dtype='datetime64[ns]')

`pandas.Series.to_period`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.to_period.html

Series.to_period(freq=None, copy=None)

将 Series 从 DatetimeIndex 转换为 PeriodIndex。

参数：

freqstr，默认为 None

与 PeriodIndex 相关的频率。

copybool，默认为 True

是否返回副本。

注意

在 pandas 3.0 中，copy 关键字的行为将发生变化。写时复制将默认启用，这意味着所有带有 copy 关键字的方法将使用延迟复制机制来推迟复制并忽略 copy 关键字。copy 关键字将在未来的 pandas 版本中被移除。

通过启用写时复制pd.options.mode.copy_on_write = True，您已经可以获得未来的行为和改进。

系列

将索引转换为 PeriodIndex 的 Series。

示例

>>> idx = pd.DatetimeIndex(['2023', '2024', '2025'])
>>> s = pd.Series([1, 2, 3], index=idx)
>>> s = s.to_period()
>>> s
2023    1
2024    2
2025    3
Freq: Y-DEC, dtype: int64

查看索引

>>> s.index
PeriodIndex(['2023', '2024', '2025'], dtype='period[Y-DEC]')

`pandas.Series.to_timestamp`

译文：pandas.pydata.org/docs/reference/api/pandas.Series.to_timestamp.html

Series.to_timestamp(freq=None, how='start', copy=None)

转换为时间戳的 DatetimeIndex，在周期的开始。

参数：

freqstr，默认为 PeriodIndex 的频率

所需的频率。

how

将周期转换为时间戳的惯例；周期的开始与结束。

copybool，默认为 True

是否返回副本。

注意

通过启用写时复制pd.options.mode.copy_on_write = True，您已经可以获得未来的行为和改进。

具有 DatetimeIndex 的 Series

示例

>>> idx = pd.PeriodIndex(['2023', '2024', '2025'], freq='Y')
>>> s1 = pd.Series([1, 2, 3], index=idx)
>>> s1
2023    1
2024    2
2025    3
Freq: Y-DEC, dtype: int64

时间戳的结果频率为 YearBegin。

>>> s1 = s1.to_timestamp()
>>> s1
2023-01-01    1
2024-01-01    2
2025-01-01    3
Freq: YS-JAN, dtype: int64

使用偏移量作为时间戳的频率。

>>> s2 = pd.Series([1, 2, 3], index=idx)
>>> s2 = s2.to_timestamp(freq='M')
>>> s2
2023-01-31    1
2024-01-31    2
2025-01-31    3
Freq: YE-JAN, dtype: int64

`pandas.Series.to_list`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.to_list.html

Series.to_list()

返回值列表。

这些都是标量类型，即 Python 标量（对于 str、int、float）或 pandas 标量（对于 Timestamp/Timedelta/Interval/Period）。

列表

另请参阅

numpy.ndarray.tolist

将数组作为 Python 标量的 a.ndim 级别深度嵌套列表返回。

示例

对于 Series

>>> s = pd.Series([1, 2, 3])
>>> s.to_list()
[1, 2, 3]

对于索引：

>>> idx = pd.Index([1, 2, 3])
>>> idx
Index([1, 2, 3], dtype='int64')

>>> idx.to_list()
[1, 2, 3]

`pandas.Series.array`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.__array__.html

Series.__array__(dtype=None, copy=None)

将值作为 NumPy 数组返回。

用户不应直接调用此函数。而是由 numpy.array() 和 numpy.asarray() 调用。

参数：

dtypestr 或 numpy.dtype，可选

用于生成结果 NumPy 数组的 dtype。默认情况下，dtype 是从数据中推断出来的。

copybool 或 None，可选

未使用。

numpy.ndarray

将系列中的值转换为具有指定 dtype 的 numpy.ndarray。

另请参阅

array

从数据创建一个新的数组。

Series.array

返回 Series 支持的数组的零拷贝视图。

Series.to_numpy

与 Series 方法具有类似行为。

示例

>>> ser = pd.Series([1, 2, 3])
>>> np.asarray(ser)
array([1, 2, 3])

对于时区感知数据，可以使用 dtype='object' 保留时区。

>>> tzser = pd.Series(pd.date_range('2000', periods=2, tz="CET"))
>>> np.asarray(tzser, dtype="object")
array([Timestamp('2000-01-01 00:00:00+0100', tz='CET'),
 Timestamp('2000-01-02 00:00:00+0100', tz='CET')],
 dtype=object)

或者将值本地化为 UTC 并丢弃 tzinfo，并使用 dtype='datetime64[ns]'

>>> np.asarray(tzser, dtype="datetime64[ns]")  
array(['1999-12-31T23:00:00.000000000', ...],
 dtype='datetime64[ns]')

`pandas.Series.get`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.get.html

Series.get(key, default=None)

从对象中获取给定键（例如：DataFrame 列）的项目。

如果未找到，则返回默认值。

参数：

key对象

与对象中包含的项目相同类型

示例

>>> df = pd.DataFrame(
...     [
...         [24.3, 75.7, "high"],
...         [31, 87.8, "high"],
...         [22, 71.6, "medium"],
...         [35, 95, "medium"],
...     ],
...     columns=["temp_celsius", "temp_fahrenheit", "windspeed"],
...     index=pd.date_range(start="2014-02-12", end="2014-02-15", freq="D"),
... )

>>> df
 temp_celsius  temp_fahrenheit windspeed
2014-02-12          24.3             75.7      high
2014-02-13          31.0             87.8      high
2014-02-14          22.0             71.6    medium
2014-02-15          35.0             95.0    medium

>>> df.get(["temp_celsius", "windspeed"])
 temp_celsius windspeed
2014-02-12          24.3      high
2014-02-13          31.0      high
2014-02-14          22.0    medium
2014-02-15          35.0    medium

>>> ser = df['windspeed']
>>> ser.get('2014-02-13')
'high'

如果未找到键，则将使用默认值。

>>> df.get(["temp_celsius", "temp_kelvin"], default="default_value")
'default_value'

>>> ser.get('2014-02-10', '[unknown]')
'[unknown]'

`pandas.Series.at`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.at.html

property Series.at

通过行/列标签对访问单个值。

与loc类似，两者都提供基于标签的查找。如果您只需要在 DataFrame 或 Series 中获取或设置单个值，请使用at。

引发：

键错误

如果在 DataFrame 或 Series 中获取一个值而“标签”不存在。

值错误

如果行/列标签对不是元组，或者对于 DataFrame，对于任何标签，如果标签不是标量。如果标签是类似列表的（不包括命名元组）。

另请参阅

DataFrame.at

通过标签访问行/列对的单个值。

DataFrame.iat

通过整数位置访问行/列对的单个值。

DataFrame.loc

通过标签访问一组行和列。

DataFrame.iloc

通过整数位置访问一组行和列。

Series.at

通过标签访问单个值。

Series.iat

通过整数位置访问单个值。

Series.loc

通过标签访问一组行。

Series.iloc

通过整数位置访问一组行。

注意

有关更多详细信息，请参见快速标量值获取和设置。

示例

>>> df = pd.DataFrame([[0, 2, 3], [0, 4, 1], [10, 20, 30]],
...                   index=[4, 5, 6], columns=['A', 'B', 'C'])
>>> df
 A   B   C
4   0   2   3
5   0   4   1
6  10  20  30

获取指定行/列对的值

>>> df.at[4, 'B']
2

在指定的行/列对设置值

>>> df.at[4, 'B'] = 10
>>> df.at[4, 'B']
10

获取 Series 中的值

>>> df.loc[5].at['B']
4

`pandas.Series.iat`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.iat.html

property Series.iat

通过整数位置访问行/列对的单个值。

与 iloc 类似，都提供基于整数的查找。如果您只需要在 DataFrame 或 Series 中获取或设置单个值，请使用 iat。

引发：

索引错误

当整数位置超出范围时。

另请参阅

DataFrame.at

访问行/列标签对的单个值。

DataFrame.loc

通过标签访问一组行和列。

DataFrame.iloc

通过整数位置访问一组行和列。

示例

>>> df = pd.DataFrame([[0, 2, 3], [0, 4, 1], [10, 20, 30]],
...                   columns=['A', 'B', 'C'])
>>> df
 A   B   C
0   0   2   3
1   0   4   1
2  10  20  30

获取指定行/列对处的值

>>> df.iat[1, 2]
1

设置指定行/列对处的值

>>> df.iat[1, 2] = 10
>>> df.iat[1, 2]
10

获取系列内的值

>>> df.loc[0].iat[1]
2

`pandas.Series.loc`

原文：pandas.pydata.org/docs/reference/api/pandas.Series.loc.html

property Series.loc

通过标签或布尔数组访问一组行和列。

.loc[]主要基于标签，但也可以与布尔数组一起使用。

允许的输入为：

单个标签，例如5或'a'，（请注意5被解释为索引的标签，never被解释为索引上的整数位置）。
标签列表或数组，例如['a', 'b', 'c']。
具有标签的切片对象，例如'a':'f'。

警告

请注意，与通常的 Python 切片相反，起始和结束都包括在内
与被切片轴长度相同的布尔数组，例如[True, False, True]。
可对齐的布尔 Series。在掩码之前，键的索引将被对齐。
可对齐的索引。返回选择的索引将是输入的索引。
具有一个参数（调用的 Series 或 DataFrame）的callable函数，并返回用于索引的有效输出（上述之一）

请参阅按标签选择了解更多信息。

引发：

KeyError

如果找不到任何项。

索引错误

如果传递了索引键并且其索引与框架索引不对齐。

另请参见

DataFrame.at

访问行/列标签对的单个值。

DataFrame.iloc

通过整数位置访问一组行和列。

DataFrame.xs

从 Series/DataFrame 返回横截面（行或列）。

Series.loc

使用标签访问一组值。

示例

获取值

>>> df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
...                   index=['cobra', 'viper', 'sidewinder'],
...                   columns=['max_speed', 'shield'])
>>> df
 max_speed  shield
cobra               1       2
viper               4       5
sidewinder          7       8

单个标签。请注意，这将返回行作为 Series。

>>> df.loc['viper']
max_speed    4
shield       5
Name: viper, dtype: int64

标签列表。注意使用[[]]会返回一个 DataFrame。

>>> df.loc[['viper', 'sidewinder']]
 max_speed  shield
viper               4       5
sidewinder          7       8

行和列的单个标签

>>> df.loc['cobra', 'shield']
2

使用行标签和列的单个标签进行切片。如上所述，请注意切片的起始和结束都包括在内。

>>> df.loc['cobra':'viper', 'max_speed']
cobra    1
viper    4
Name: max_speed, dtype: int64

与行轴长度相同的布尔列表

>>> df.loc[[False, False, True]]
 max_speed  shield
sidewinder          7       8

可对齐的布尔 Series：

>>> df.loc[pd.Series([False, True, False],
...                  index=['viper', 'sidewinder', 'cobra'])]
 max_speed  shield
sidewinder          7       8

索引（与df.reindex的行为相同）

>>> df.loc[pd.Index(["cobra", "viper"], name="foo")]
 max_speed  shield
foo
cobra          1       2
viper          4       5

返回布尔 Series 的条件

>>> df.loc[df['shield'] > 6]
 max_speed  shield
sidewinder          7       8

返回指定列标签的布尔 Series 的条件

>>> df.loc[df['shield'] > 6, ['max_speed']]
 max_speed
sidewinder          7

使用&进行多条件筛选，返回布尔 Series

>>> df.loc[(df['max_speed'] > 1) & (df['shield'] < 8)]
 max_speed  shield
viper          4       5

使用|进行多条件筛选，返回布尔 Series

>>> df.loc[(df['max_speed'] > 4) | (df['shield'] < 5)]
 max_speed  shield
cobra               1       2
sidewinder          7       8

请确保每个条件都用括号()括起来。有关更多详细信息和布尔索引解释，请参阅用户指南。

注意

如果您发现自己在.loc[]中使用 3 个或更多条件，请考虑使用高级索引。

请参阅在多级索引 DataFrame 上使用.loc[]。

返回布尔 Series 的可调用函数

>>> df.loc[lambda df: df['shield'] == 8]
 max_speed  shield
sidewinder          7       8

设置值

为匹配标签列表的所有项设置值

>>> df.loc[['viper', 'sidewinder'], ['shield']] = 50
>>> df
 max_speed  shield
cobra               1       2
viper               4      50
sidewinder          7      50

为整行设置值

>>> df.loc['cobra'] = 10
>>> df
 max_speed  shield
cobra              10      10
viper               4      50
sidewinder          7      50

为整个列设置值

>>> df.loc[:, 'max_speed'] = 30
>>> df
 max_speed  shield
cobra              30      10
viper              30      50
sidewinder         30      50

为匹配可调用条件的行设置值

>>> df.loc[df['shield'] > 35] = 0
>>> df
 max_speed  shield
cobra              30      10
viper               0       0
sidewinder          0       0

添加匹配位置的值

>>> df.loc["viper", "shield"] += 5
>>> df
 max_speed  shield
cobra              30      10
viper               0       5
sidewinder          0       0

使用Series或DataFrame进行设置会匹配索引标签的值，而不是索引位置。

>>> shuffled_df = df.loc[["viper", "cobra", "sidewinder"]]
>>> df.loc[:] += shuffled_df
>>> df
 max_speed  shield
cobra              60      20
viper               0      10
sidewinder          0       0

获取具有整数标签的 DataFrame 上的值

另一个使用整数索引的示例

>>> df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
...                   index=[7, 8, 9], columns=['max_speed', 'shield'])
>>> df
 max_speed  shield
7          1       2
8          4       5
9          7       8

使用整数标签对行进行切片。如上所述，请注意切片的起始和结束都包括在内。

>>> df.loc[7:9]
 max_speed  shield
7          1       2
8          4       5
9          7       8

使用 MultiIndex 获取值

使用具有 MultiIndex 的 DataFrame 的多个示例

>>> tuples = [
...     ('cobra', 'mark i'), ('cobra', 'mark ii'),
...     ('sidewinder', 'mark i'), ('sidewinder', 'mark ii'),
...     ('viper', 'mark ii'), ('viper', 'mark iii')
... ]
>>> index = pd.MultiIndex.from_tuples(tuples)
>>> values = [[12, 2], [0, 4], [10, 20],
...           [1, 4], [7, 1], [16, 36]]
>>> df = pd.DataFrame(values, columns=['max_speed', 'shield'], index=index)
>>> df
 max_speed  shield
cobra      mark i           12       2
 mark ii           0       4
sidewinder mark i           10      20
 mark ii           1       4
viper      mark ii           7       1
 mark iii         16      36

单个标签。请注意，这将返回一个具有单个索引的 DataFrame。

>>> df.loc['cobra']
 max_speed  shield
mark i          12       2
mark ii          0       4

单索引元组。请注意，这将返回一个 Series。

>>> df.loc[('cobra', 'mark ii')]
max_speed    0
shield       4
Name: (cobra, mark ii), dtype: int64

单行和列的单个标签。类似于传入元组，这将返回一个 Series。

>>> df.loc['cobra', 'mark i']
max_speed    12
shield        2
Name: (cobra, mark i), dtype: int64

单个元组。请注意，使用[[]]将返回一个 DataFrame。

>>> df.loc[[('cobra', 'mark ii')]]
 max_speed  shield
cobra mark ii          0       4

索引的单个元组与单个列标签

>>> df.loc[('cobra', 'mark i'), 'shield']
2

从索引元组到单个标签的切片

>>> df.loc[('cobra', 'mark i'):'viper']
 max_speed  shield
cobra      mark i           12       2
 mark ii           0       4
sidewinder mark i           10      20
 mark ii           1       4
viper      mark ii           7       1
 mark iii         16      36

从索引元组到索引元组的切片

>>> df.loc[('cobra', 'mark i'):('viper', 'mark ii')]
 max_speed  shield
cobra      mark i          12       2
 mark ii          0       4
sidewinder mark i          10      20
 mark ii          1       4
viper      mark ii          7       1

请参阅用户指南以获取更多关于高级索引的详细信息和解释。

posted @ 2024-06-26 10:31 绝不原创的飞龙阅读(11) 评论(0) 编辑收藏举报

刷新页面返回顶部

登录后才能查看或发表评论，立即登录或者逛逛博客园首页

相关博文：

· Pandas-2-2-中文文档-十九-

· Pandas-2-2-中文文档-四-

· pandas速查手册V0.35

· 第11章时间序列

· 【2.0】Pandas Series入门

阅读排行：
· TypeScript + Deepseek 打造卜卦网站：技术与玄学的结合
· Manus的开源复刻OpenManus初探
· AI 智能体引爆开源社区「GitHub 热点速览」
· 从HTTP原因短语缺失研究HTTP/2和HTTP/3的设计差异
· 三行代码完成国际化适配，妙~啊~

历史上的今天：
2023-06-26 Bert Pytorch 源码分析：五、模型架构简图
2023-06-26 Bert Pytorch 源码分析：四、编解码器
2023-06-26 Bert Pytorch 源码分析：三、Transformer块
2020-06-26 PythonGuru 中文系列教程·翻译完成

公告

Github：@wizardforcel

简书：@布客飞龙

微博：@布客飞龙

赞助我：

昵称：绝不原创的飞龙
园龄： 5年2个月
粉丝： 69
关注： 0

+加关注

2025年3月

日

一

二

三

四

五

六

掠夺·扩张·投机·博弈

Pandas 2.2 中文文档（十八）

pandas.notnull

pandas.to_numeric

pandas.to_datetime

pandas.to_timedelta

pandas.date_range

pandas.bdate_range

pandas.period_range

pandas.timedelta_range

pandas.infer_freq

pandas.interval_range

pandas.eval

pandas.tseries.api.guess_datetime_format

pandas.util.hash_array

pandas.util.hash_pandas_object

pandas.api.interchange.from_dataframe

Series

构造函数

属性

转换

索引，迭代

二元运算符函数

函数应用、GroupBy 和窗口

计算 / 描述统计

重新索引/选择/标签操作

缺失数据处理

重塑，排序

合并/比较/连接/合并

与时间序列相关

访问器

日期时间属性

日期时间属性

日期时间方法

时期属性

时间差属性

时间差方法

绘图

序列化 / IO / 转换

构造函数

属性

转换

索引，迭代

二元操作符函数

函数应用、GroupBy 和窗口

计算 / 描述性统计

重新索引/选择/标签操作

缺失数据处理

重塑、排序

合并/比较/连接/合并

与时间序列相关

访问器

日期时间属性

日期时间属性

时间方法

期间属性

时间增量属性

时间增量方法

日期时间属性

日期时间方法

时期属性

时间差属性

时间差方法

日期时间属性

日期时间方法

时间周期属性

时间差属性

时间增量方法

字符串处理

分类访问器

稀疏访问器

列表访问器

结构访问器

标志

元数据

绘图

序列化 / IO / 转换

pandas.Series

pandas.Series.index

pandas.Series.array

`pandas.notnull`

`pandas.to_numeric`

`pandas.to_datetime`

`pandas.to_timedelta`

`pandas.date_range`

`pandas.bdate_range`

`pandas.period_range`

`pandas.timedelta_range`

`pandas.infer_freq`

`pandas.interval_range`

`pandas.eval`

`pandas.tseries.api.guess_datetime_format`

`pandas.util.hash_array`

`pandas.util.hash_pandas_object`

`pandas.api.interchange.from_dataframe`

`pandas.Series`

`pandas.Series.index`

`pandas.Series.array`

`pandas.Series.values`

`pandas.Series.dtype`

`pandas.Series.shape`

`pandas.Series.nbytes`

`pandas.Series.ndim`

`pandas.Series.size`

`pandas.Series.T`

`pandas.Series.memory_usage`

`pandas.Series.hasnans`

`pandas.Series.empty`

`pandas.Series.dtypes`

`pandas.Series.name`

`pandas.Series.flags`

`pandas.Series.set_flags`

`pandas.Series.astype`

`pandas.Series.convert_dtypes`

`pandas.Series.infer_objects`

`pandas.Series.copy`

`pandas.Series.bool`

`pandas.Series.to_numpy`

`pandas.Series.to_period`

`pandas.Series.to_timestamp`

`pandas.Series.to_list`

`pandas.Series.array`

`pandas.Series.get`

`pandas.Series.at`

`pandas.Series.iat`

`pandas.Series.loc`