Exercice 61 / 100

Pandas — Series

ConsigneCrée et manipule des Series Pandas

📖 Cours

Une Series est l'objet 1D de pandas : un vecteur indexé. C'est comme une colonne de DataFrame, ou un dict avec un ordre.

Création

pd.Series([10, 20, 30])                          # index par défaut 0,1,2pd.Series([10, 20, 30, 40], index=['a','b','c','d'])pd.Series({'Alice': 15, 'Bob': 12, 'Charlie': 18})    # depuis un dictpd.Series(5, index=['a','b','c'])                # même valeur partout

Chaque Series a

s.values    →  les données (array NumPy)s.index     →  les étiquettess.dtype     →  type des donnéess.name      →  nom optionnel (devient le nom de colonne en DataFrame)

Une Series attache une étiquette à chaque valeur : c'est cet index, choisi et non subi, qui permet d'écrire s['b'] au lieu de compter les positions

Accès

s['b']: accès par label

s.iloc[1]        accès par position (comme une liste)s.loc['b':'d']   slice par labels (INCLUSIF — différent de iloc)

s[s > 10]: masque booléen

s['a':'c'] avec loc inclut 'c' (différent du slicing Python classique).

Opérations

Mêmes opérations vectorisées que NumPy :

s + 10, s * 2, s ** 2, np.sqrt(s)s.sum(), s.mean(), s.std(), s.median(), s.max()s.describe()           résumé statss.value_counts()       compte des valeurs distinctes

Exemple complet

s = pd.Series([10, 20, 30, 40], index=['a','b','c','d'])print(s)# a 10# b 20# c 30# d 40

print('Valeur b:', s['b']) # 20print('Somme:', s.sum()) # 100

notes = pd.Series({'Alice': 15, 'Bob': 12, 'Charlie': 18})meilleures = notes[notes > 14] # garde Alice + Charlie

Une Series = une colonne. Un DataFrame = un dict de Series partageant le même index.