pandas是一个快速、强大、灵活且易于使用的开源数据分析和操作工具，构建在Python编程语言之上，其提供了快速、灵活和富有表达性的数据结构，旨在使得处理关系型或有标签的数据变得简单直观。它旨在成为在 Python 中进行实际的、真实的数据分析的基本高级构建块。 此外，它还有更广泛的目标，即成为任何语言中最强大、最灵活的开源数据分析/操作工具。 它已经在朝着这个目标迈进。

pandas可以处理多种不同类型的数据：

• 具有异构类型列的表格数据，如 SQL 表或 Excel 电子表格

• 有序和无序（不一定固定频率）的时间序列数据

• 具有行列标签的任意矩阵数据（同质或异构）

• 任何其他形式的观测/统计数据集。数据完全不需要标记就可以放入pandas数据结构中

pandas 两个主要的数据结构，Series（一维）和 DataFrame（二维），能够处理金融、统计、社会科学和许多工程领域的绝大多数典型用例。 对于 R 用户，DataFrame 提供了 R 的 data.frame 提供的一切甚至更多。 pandas 建立在 NumPy 之上，为的是能够在科学计算环境中与许多其他第三方库很好地集成。

以下是 pandas 擅长的一些事情：

• 轻松处理浮点和非浮点数据中的缺失数据（表示为 NaN）

• 大小可变性：可以从 DataFrame 和更高维对象中插入和删除列

• 自动和显式数据对齐：对象可以显式对齐到一组标签，或者用户可以简单地忽略标签，让 Series、DataFrame 等在计算中为你自动对齐数据

• 强大、灵活的分组（group by） 功能，可对数据集执行拆分-应用-组合（split-apply-combine）操作，用于聚合和转换数据

• 轻松将其他 Python 和 NumPy 数据结构中的参差不齐、索引不同的数据转换为 DataFrame 对象

• 基于标签的智能切片、花式索引和大型数据集的子集化

• 直观地合并和连接数据集

• 灵活地重塑和透视数据集

• 轴的分层标签（每个刻度可能有多个标签）

• 强大的 IO 工具，用于从普通文件（CSV 和特定符号分隔的文件）、Excel 文件、数据库加载数据，以及用超快的 HDF5 格式保存/加载数据

• 时间序列特定功能：日期范围生成和频率转换、移动窗口统计、日期偏移和滞后。

其中许多功能是为了解决使用其他语言/科学研究环境经常遇到的短板。对于数据科学家来说，处理数据通常分为多个阶段：整理和清洗数据，分析/建模数据，然后将分析结果组织成适合绘图或用表格显示的形式。pandas是完成所有这些任务的理想工具。

其他一些值得注意的：

• pandas很快。 许多低级算法位已在 Cython 代码中进行了广泛的调整。 然而，与其他任何事物一样，泛化通常会牺牲性能。 因此，如果你专注于你的应用程序的一个功能，你可能能够创建一个更快的专用工具。

• pandas 是 statsmodels 的依赖，使其成为 Python 统计计算生态系统的重要组成部分。

• pandas 已广泛用于金融应用的生产中。

数据结构

为何不止一种数据结构？

理解pandas数据结构的最佳方式是将其视为低维数据的灵活容器。例如，DataFrame是Series的容器，Series是标量的容器。 我们希望能够以类似字典的方式从这些容器中插入和删除对象。

此外，我们希望通用API函数的合理默认行为考虑到时间序列和横截面数据集的典型方向。当使用N维数组（ndarrays）存储2维和3维数据时，用户在编写函数时需要考虑数据集的方向；轴或多或少被认为是等价的（除非C或Fortran连续性对性能有影响）。在pandas中，坐标轴希望为数据赋予更多语义含义，例如，对于特定的数据集，可能有一种“正确”的方式来确定数据的方向。 因此，目标是减少在下游函数中编写数据转换代码所需的脑力劳动量。

例如，对于表格数据（DataFrame），考虑索引（行）和列而不是轴0和轴1在语义上更有帮助。因此，遍历DataFrame的列会产生更具可读性的代码：

for col in df.columns:
    series = df[col]
    # do something with series

数据的可变性和复制

所有pandas数据结构都是值可变的（value-mutable，它们包含的值可以更改），但并不总是大小可变（size-mutable）。Series的长度不能更改，但是，可以将列插入DataFrame中。然而，绝大多数方法会生成新对象并且保持输入数据不变。一般来说，我们喜欢在合理的情况下支持不变性。