pandas 的series和dataframe的用法，六个题目

1. 创建与访问
   题目：创建一个包含 7 个元素的 Series（索引为周一至周日），值为某周每天的气温（自行设定），并完成：

   • 访问周三的气温
   • 筛选出气温高于 30℃ 的天数

     # 题目1：创建与访问
     print("=== 题目1：创建与访问 ===")
     # 创建Series（周一至周日的气温）
     temperatures = pd.Series([28, 30, 32, 29, 31, 27, 26],index=['周一', '周二', '周三', '周四', '周五', '周六', '周日']
     )
     print("气温数据：")
     print(temperatures)# 访问周三的气温
     print("\n周三的气温：", temperatures['周三'])# 筛选出气温高于30℃的天数
     print("气温高于30℃的天数：")
     print(temperatures[temperatures > 30])

2. 数据筛选与修改
   题目：给定一个包含 "姓名"、"年龄"、"成绩" 列的 DataFrame，完成：

   • 筛选出年龄大于 20 且成绩在 80 分以上的行
   • 将所有成绩低于 60 分的记录修改为 "不及格"（原成绩列保留数值，新增 "是否及格" 列）

     # 题目2：数据筛选与修改
     print("\n=== 题目2：数据筛选与修改 ===")
     # 创建DataFrame
     data = {'姓名': ['张三', '李四', '王五', '赵六', '钱七'],'年龄': [19, 21, 22, 18, 23],'成绩': [85, 76, 92, 58, 63]
     }
     df = pd.DataFrame(data)
     print("原始数据：")
     print(df)# 筛选出年龄大于20且成绩在80分以上的行
     filtered = df[(df['年龄'] > 20) & (df['成绩'] > 80)]
     print("\n年龄大于20且成绩在80分以上的记录：")
     print(filtered)# 新增"是否及格"列
     df['是否及格'] = df['成绩'].apply(lambda x: '及格' if x >= 60 else '不及格')
     print("\n添加是否及格列后的数据：")
     print(df)

3. 缺失值处理
   题目：有一个包含缺失值的 DataFrame（包含 "日期"、"销售额" 列），请：

   • 检测并统计各列缺失值数量
   • 用该列的平均值填充销售额的缺失值
   • 删除日期列仍有缺失值的行

     # 题目3：缺失值处理
     print("\n=== 题目3：缺失值处理 ===")
     # 创建包含缺失值的DataFrame
     dates = pd.date_range(start='2023-01-01', periods=7)
     sales = [1000, np.nan, 1200, np.nan, 1500, 1300, np.nan]
     sales_df = pd.DataFrame({'日期': dates, '销售额': sales})
     print("包含缺失值的数据：")
     print(sales_df)# 检测并统计各列缺失值数量
     print("\n各列缺失值数量：")
     print(sales_df.isnull().sum())# 用平均值填充销售额的缺失值
     sales_mean = sales_df['销售额'].mean()
     sales_df['销售额'] = sales_df['销售额'].fillna(sales_mean)
     print("\n填充缺失值后的销售额数据：")
     print(sales_df)

4. 数据合并
   题目：现有两个 DataFrame：

   • df1 包含 "学生 ID"、"姓名"
   • df2 包含 "学生 ID"、"语文成绩"、"数学成绩"
     请将两表根据 "学生 ID" 合并，并新增 "总成绩" 列（语文 + 数学）

     # 题目4：数据合并
     print("\n=== 题目4：数据合并 ===")
     # 创建两个DataFrame
     df1 = pd.DataFrame({'学生ID': [1, 2, 3, 4],'姓名': ['张三', '李四', '王五', '赵六']
     })df2 = pd.DataFrame({'学生ID': [1, 2, 3, 5],'语文成绩': [85, 92, 78, 88],'数学成绩': [90, 88, 95, 76]
     })print("学生信息：")
     print(df1)
     print("\n成绩信息：")
     print(df2)# 合并两个DataFrame
     merged_df = pd.merge(df1, df2, on='学生ID', how='outer')
     print("\n合并后的数据：")
     print(merged_df)# 新增总成绩列
     merged_df['总成绩'] = merged_df['语文成绩'] + merged_df['数学成绩']
     print("\n添加总成绩后的数据：")
     print(merged_df)

5. 分组与聚合
   题目：对一个包含 "部门"、"姓名"、"工资" 列的 DataFrame，按部门分组后计算：

   • 各部门的平均工资
   • 每个部门工资最高的员工姓名及工资

     # 题目5：分组与聚合
     print("\n=== 题目5：分组与聚合 ===")
     # 创建员工数据
     employees = pd.DataFrame({'部门': ['技术部', '技术部', '市场部', '市场部', '人事部', '技术部'],'姓名': ['张三', '李四', '王五', '赵六', '钱七', '孙八'],'工资': [8000, 9500, 7500, 8500, 7000, 10000]
     })
     print("员工数据：")
     print(employees)# 按部门分组计算平均工资
     dept_avg_salary = employees.groupby('部门')['工资'].mean()
     print("\n各部门平均工资：")
     print(dept_avg_salary)# 每个部门工资最高的员工
     max_salary = employees.groupby('部门')['工资'].max()
     # 合并获取最高工资员工的完整信息
     result = pd.merge(employees, max_salary, on=['部门', '工资'], how='inner')
     print("\n各部门工资最高的员工：")
     print(result)

6. 数据转换
   题目：将一个 Series（值为字符串，格式如 "2023-10-01"）转换为：

   • datetime 类型
   • 新增一个 Series 存储对应的月份（1-12）
   • 统计每个月份出现的次数

     # 题目6：数据转换
     print("\n=== 题目6：数据转换 ===")
     # 创建日期字符串Series
     date_series = pd.Series(['2023-10-01', '2023-10-15', '2023-11-02', '2023-11-20', '2023-12-05', '2024-01-10'
     ])
     print("原始日期字符串：")
     print(date_series)# 转换为datetime类型
     date_series = pd.to_datetime(date_series)
     print("\n转换为datetime类型后：")
     print(date_series)# 提取月份
     month_series = date_series.dt.month
     print("\n提取的月份：")
     print(month_series)# 统计每个月份出现的次数
     month_counts = month_series.value_counts().sort_index()
     print("\n每个月份出现的次数：")
     print(month_counts)