接上文，pandas也是一个常用的Python科学计算库，提供了许多功能强大的数据结构，本篇文章会介绍最为常用的Series与DataFrame两种数据结构，pandas底层依赖于NumPy，因此也继承了NumPy的优势，提供了许多便利的统计学、数学函数。 将pandas结合matplotlib，可以方便地存储、计算并可视化你的数据，简单的几行代码就可以绘制出一目了然的图表。

示例代码 随机损益波动图

这篇文章主要来介绍下Series，pandas中Series是一个可以存储任何数据类型的一维数组，通常用来处理时间序列数据

创建序列

使用pd.Series()函数，传入Python的list或NumPy的ndarray即可生成一个序列

创建序列
序列有几个常用属性：

• name属性，序列的名称
• index属性，序列的索引
  可以在调用初始化函数的时候作为参数传入，也可以之后添加，默认情况下为0~N-1的数字，索引还可以是日期类型，可使用pd.date_range()产生。
  日期索引

获取序列中元素

获取序列中元素pandas提供了两个函数

• iloc
  iloc[]可以通过整数下标获取元素，同样，切片(slicing)功能也必不可少
  iloc获取元素
• loc
  loc[]通过索引获取元素
  loc获取元素

过滤序列

如果需要根据条件过滤序列元素，可使用布尔数组进行过滤，序列支持标准比较符，比较后就会得到一个布尔序列。

支持标准比较符

将这个布尔序列传入原序列的loc函数，就可以完成序列的条件过滤

用布尔数据过滤元素

应用示例

Quantopian提供的get_pricing()函数，返回的就是一个序列，其索引为datetime类型

get_pricing函数
默认的采样频率为天，可使用resample()函数对原始数据集进行重新采样，还可以自定义采样方法
resample函数

get_pricing返回数据中只包含交易日，如果希望将节假日也加入其中，需要你手工生成并制定日期索引，有了索引之后，你又会面临另一个问题，节假日的股价如何填充，quantopian有两种模式

• ffill 向前填充，以前一个非空值填充

• bfill 向后填充，以后一个非空值填充

  
  重建索引

可以看到上图中最开始存在两个空值，这是因为前两天都恰巧为非交易日，所以就向前填充的策略就无法生效

对于这种空值数据，我们既可以使用fillna()方法进行填充，也可以使用dropna()方法丢弃此部分数据

空值处理

内置的统计方法可以方便的看到各统计指标

统计方法
diff()函数可以自动将序列转换为一个每日价格变动序列，pct_change()函数则生成一个每日价格变动比例的序列，我们这里讲每日价格变动比率绘制出来
示例代码
每日价格变化比率图

rolling_mean()与rolling_std()函数可以提供移动平均值与移动标准差，这里绘制一个30天的移动平均线：

示例代码
30天移动平均线

这篇就先介绍到这，下篇我们来介绍pandas中的另外一员干将——DataFrame。

谢谢大家，欢迎订阅！