Les Series Pandas

Introduction

Une Series Pandas est une structure de données fondamentale de la bibliothèque Pandas. Elle représente un tableau unidimensionnel de données associé à un index étiqueté. C’est cet index nominatif (labels) qui distingue une Series d’une liste Python et d’un array NumPy, qui possède uniquement un index numérique.

Structure	Index
Liste Python	implicite (positions)
numpy.ndarray	numérique
pandas.Series	numérique + étiqueté

📌 Une Series = données + index étiqueté

👉 Définition formelle

Une Series Pandas est :

• un tableau 1D
• avec des étiquettes d’axes (labels)
• basé sur NumPy (performant et vectorisé)

Series Pandas VS array NumPy

array NumPy :

Index	Data
0	1776
1	1867
2	1821

Series Pandas :

Labeled Index	Data
USA	1776
CANADA	1867
MEXICO	1821

Pourquoi utiliser une Series ?

1. Index étiqueté (clé → valeur)

L’index peut être :

• des chaînes de caractères
• des entiers
• tout objet hashable

Cela permet :

• une lecture plus naturelle
• une extraction plus claire
• un code plus proche des données réelles

2. Double accès aux données

Une Series conserve :

• un index numérique (position)
• un index étiqueté (label)

👉 On peut accéder aux valeurs par position ou par label

Series Pandas

Index	Labeled Index	Data
0	USA	1776
1	CANADA	1867
2	MEXICO	1821

3. Performances et opérations vectorisées

Les Series reposent sur NumPy :

• opérations rapides
• diffusion automatique (broadcasting)
• pas besoin de boucles for

Fichier Python associé

Le fichier suivant contient tous les exemples de création et d’opérations sur les Series Pandas :

Series

"""
series_basics.py
Bases des Series Pandas
"""

import pandas as pd
import numpy as np

# ======================================================
# 1. Création d'une Series à partir d'une liste
# ======================================================

data = [1776, 1867, 1821]
series_numeric_index = pd.Series(data)

print("Series avec index numérique par défaut:")
print(series_numeric_index)
print()


# ======================================================
# 2. Création d'une Series avec un index étiqueté
# ======================================================

countries = ["USA", "Canada", "Mexico"]
independence_years = [1776, 1867, 1821]

series_labeled = pd.Series(independence_years, index=countries)

print("Series avec index étiqueté:")
print(series_labeled)
print()


# ======================================================
# 3. Accès aux éléments
# ======================================================

print("Accès par position (index numérique):")
print(series_labeled[0])  # USA
print()

print("Accès par label:")
print(series_labeled["USA"])
print()


# ======================================================
# 4. Création d'une Series à partir d'un dictionnaire
# ======================================================

ages = {
    "Sam": 5,
    "Frank": 10,
    "Spike": 7
}

series_from_dict = pd.Series(ages)

print("Series créée à partir d'un dictionnaire:")
print(series_from_dict)
print()


# ======================================================
# 5. Vérification des index
# ======================================================

print("Index de la series_from_dict:")
print(series_from_dict.index)
print()


# ======================================================
# 6. Series de ventes (exemple Q1 / Q2)
# ======================================================

sales_q1_dict = {
    "Japan": 80,
    "China": 150,
    "India": 200,
    "USA": 130
}

sales_q2_dict = {
    "Brazil": 100,
    "China": 165,
    "India": 210,
    "USA": 140
}

sales_q1 = pd.Series(sales_q1_dict)
sales_q2 = pd.Series(sales_q2_dict)

print("Ventes Q1:")
print(sales_q1)
print()

print("Ventes Q2:")
print(sales_q2)
print()


# ======================================================
# 7. Opérations scalaires (broadcasting)
# ======================================================

print("Ventes Q1 multipliées par 2:")
print(sales_q1 * 2)
print()

print("Ventes Q1 en centaines:")
print(sales_q1 / 100)
print()


# ======================================================
# 8. Opérations entre Series (alignement sur l'index)
# ======================================================

print("Addition directe Q1 + Q2 (avec NaN):")
total_sales_na = sales_q1 + sales_q2
print(total_sales_na)
print()


# ======================================================
# 9. Addition avec gestion des valeurs manquantes
# ======================================================

print("Addition avec fill_value=0:")
total_sales = sales_q1.add(sales_q2, fill_value=0)
print(total_sales)
print()


# ======================================================
# 10. Types de données (dtype)
# ======================================================

print("Type des données Q1:")
print(sales_q1.dtype)
print()

print("Type des données après addition:")
print(total_sales.dtype)
print()


# ======================================================
# 11. Conversion de type
# ======================================================

total_sales_int = total_sales.astype("int64")

print("Total des ventes converti en int64:")
print(total_sales_int)
print()


# ======================================================
# 12. Attributs importants d'une Series
# ======================================================

print("Valeurs (NumPy array):")
print(total_sales.values)
print()

print("Index:")
print(total_sales.index)
print()

print("Shape:")
print(total_sales.shape)
print()