以下提供 2 個以 Pandas `Series` 為核心的簡單實務範例。 --- ## 範例一：統計每日銷售額 使用 `Series` 儲存一週每日銷售額，並計算總額、平均值與銷售最高日。 ```python import pandas as pd # 建立每日銷售額 Series sales = pd.Series( [12000, 15000, 9800, 18000, 22000, 16000, 14000], index=["週一", "週二", "週三", "週四", "週五", "週六", "週日"], name="每日銷售額" ) print(sales) # 總銷售額 total_sales = sales.sum() # 平均每日銷售額 average_sales = sales.mean() # 銷售額最高的日期 best_day = sales.idxmax() best_sales = sales.max() print(f"一週總銷售額：{total_sales:,} 元") print(f"平均每日銷售額：{average_sales:,.0f} 元") print(f"銷售最高日：{best_day}，金額為 {best_sales:,} 元") ``` 可能輸出： ```text 一週總銷售額：116,800 元 平均每日銷售額：16,686 元 銷售最高日：週五，金額為 22,000 元 ``` ### 重點 - `sales.sum()`：計算總和 - `sales.mean()`：計算平均值 - `sales.idxmax()`：取得最大值對應的索引 - `sales.max()`：取得最大值 --- ## 範例二：處理員工評分中的缺失值 使用 `Series` 儲存員工評分，找出缺失資料，並以平均分數補值。 ```python import pandas as pd scores = pd.Series( [88, 92, None, 75, 84, None, 95], index=["小明", "小華", "小美", "小強", "小芳", "小傑", "小安"], name="員工評分" ) print("原始評分：") print(scores) # 找出缺失值 missing_scores = scores[scores.isna()] print("\n缺失評分：") print(missing_scores) # 計算目前平均分數 average_score = scores.mean() # 使用平均分數填補缺失值 scores_filled = scores.fillna(average_score) print("\n補值後的評分：") print(scores_filled) # 找出評分高於 90 分的員工 high_scores = scores_filled[scores_filled >= 90] print("\n評分達 90 分以上的員工：") print(high_scores) ``` ### 重點 - `isna()`：判斷哪些資料是缺失值 - `mean()`：計算平均值，預設會忽略缺失值 - `fillna()`：填補缺失值 - `scores[scores >= 90]`：依條件篩選資料 `Series` 適合用來處理「一維、有索引的資料」，例如每日銷售額、員工評分、產品庫存量或網站流量等。