Series и DataFrame: создание, index, columns, shape, dtypes

В NumPy мы работали с ndarray — однородным массивом, у которого есть shape и dtype, но нет именованных осей. pandas строится поверх этой идеи и добавляет ключевое: каждая строка и каждый столбец получают метку. Начнём с самого простого объекта — Series.

Создание Series: из списка и из словаря

Series — это одномерный объект pandas: последовательность значений, у каждого из которых есть метка. Метки хранятся в атрибуте index, значения — в values.

Из списка. Когда передаёшь список, pandas сам генерирует целочисленный индекс начиная с 0:

import pandas as pd

s = pd.Series([10, 20, 30])
print(s)
# 0    10
# 1    20
# 2    30
# dtype: int64

print(s.index)   # RangeIndex(start=0, stop=3, step=1)
print(s.values)  # array([10, 20, 30])

RangeIndex — это не просто список чисел, а ленивый объект, аналогичный range. Pandas не хранит все метки явно в памяти, пока они стандартные целые числа от 0 до n.

Из словаря. Когда передаёшь словарь, ключи становятся метками index, значения — данными:

s2 = pd.Series({'x': 10, 'y': 20, 'z': 30})
print(s2)
# x    10
# y    20
# z    30
# dtype: int64

print(list(s2.index))   # ['x', 'y', 'z']
print(list(s2.values))  # [10, 20, 30]

Порядок меток соответствует порядку ключей в словаре — в Python 3.7+ словари упорядочены, поэтому результат предсказуем.

В обоих случаях структура одна и та же: массив значений плюс набор меток. Разница только в том, кто назначает метки — pandas автоматически или ты явно через ключи словаря. Именно эти метки и называются label; как они соотносятся с порядковыми номерами — разберём отдельно.