接上文，pandas也是一個常用的Python科學計算庫，提供了許多功能強大的數(shù)據(jù)結構，本篇文章會介紹最為常用的Series與DataFrame兩種數(shù)據(jù)結構，pandas底層依賴于NumPy，因此也繼承了NumPy的優(yōu)勢，提供了許多便利的統(tǒng)計學、數(shù)學函數(shù)。 將pandas結合matplotlib，可以方便地存儲、計算并可視化你的數(shù)據(jù)，簡單的幾行代碼就可以繪制出一目了然的圖表。
這篇文章主要來介紹下Series，pandas中Series是一個可以存儲任何數(shù)據(jù)類型的一維數(shù)組，通常用來處理時間序列數(shù)據(jù)
創(chuàng)建序列
使用pd.Series()函數(shù)，傳入Python的list或NumPy的ndarray即可生成一個序列
序列有幾個常用屬性：
- name屬性，序列的名稱
- index屬性，序列的索引
可以在調用初始化函數(shù)的時候作為參數(shù)傳入，也可以之后添加，默認情況下為0~N-1的數(shù)字，索引還可以是日期類型，可使用pd.date_range()產生。
日期索引
獲取序列中元素
獲取序列中元素pandas提供了兩個函數(shù)
- iloc
iloc[]可以通過整數(shù)下標獲取元素，同樣，切片(slicing)功能也必不可少
iloc獲取元素 - loc
loc[]通過索引獲取元素
loc獲取元素
過濾序列
如果需要根據(jù)條件過濾序列元素，可使用布爾數(shù)組進行過濾，序列支持標準比較符，比較后就會得到一個布爾序列。
將這個布爾序列傳入原序列的loc函數(shù)，就可以完成序列的條件過濾
應用示例
Quantopian提供的get_pricing()函數(shù)，返回的就是一個序列，其索引為datetime類型
默認的采樣頻率為天，可使用
resample()函數(shù)對原始數(shù)據(jù)集進行重新采樣，還可以自定義采樣方法
get_pricing返回數(shù)據(jù)中只包含交易日，如果希望將節(jié)假日也加入其中，需要你手工生成并制定日期索引，有了索引之后，你又會面臨另一個問題，節(jié)假日的股價如何填充，quantopian有兩種模式
- ffill 向前填充，以前一個非空值填充
-
bfill 向后填充，以后一個非空值填充
重建索引
可以看到上圖中最開始存在兩個空值，這是因為前兩天都恰巧為非交易日，所以就向前填充的策略就無法生效
對于這種空值數(shù)據(jù)，我們既可以使用fillna()方法進行填充，也可以使用dropna()方法丟棄此部分數(shù)據(jù)
內置的統(tǒng)計方法可以方便的看到各統(tǒng)計指標
diff()函數(shù)可以自動將序列轉換為一個每日價格變動序列，pct_change()函數(shù)則生成一個每日價格變動比例的序列，我們這里講每日價格變動比率繪制出來
rolling_mean()與rolling_std()函數(shù)可以提供移動平均值與移動標準差，這里繪制一個30天的移動平均線：
這篇就先介紹到這，下篇我們來介紹pandas中的另外一員干將——DataFrame。
謝謝大家，歡迎訂閱！
