Pandas 是 Python 的核心數(shù)據(jù)分析支持庫，提供了快速、靈活、明確的數(shù)據(jù)結構，旨在簡單、直觀地處理關系型、標記型數(shù)據(jù)。Pandas 的目標是成為 Python 數(shù)據(jù)分析實踐與實戰(zhàn)的必備高級工具，其長遠目標是成為最強大、最靈活、可以支持任何語言的開源數(shù)據(jù)分析工具。經(jīng)過多年不懈的努力，Pandas 離這個目標已經(jīng)越來越近了。

Pandas 適用于處理以下類型的數(shù)據(jù)：

• 與 SQL 或 Excel 表類似的，含異構列的表格數(shù)據(jù);
• 有序和無序（非固定頻率）的時間序列數(shù)據(jù);
• 帶行列標簽的矩陣數(shù)據(jù)，包括同構或異構型數(shù)據(jù);
• 任意其它形式的觀測、統(tǒng)計數(shù)據(jù)集, 數(shù)據(jù)轉入 Pandas 數(shù)據(jù)結構時不必事先標記。

Pandas 的主要數(shù)據(jù)結構是 Series（一維數(shù)據(jù)）與 DataFrame（二維數(shù)據(jù)），這兩種數(shù)據(jù)結構足以處理金融、統(tǒng)計、社會科學、工程等領域里的大多數(shù)典型用例。對于 R 用戶，DataFrame 提供了比 R 語言 data.frame 更豐富的功能。Pandas 基于 NumPy 開發(fā)，可以與其它第三方科學計算支持庫完美集成。

Pandas 就像一把萬能瑞士軍刀，下面僅列出了它的部分優(yōu)勢 ：

• 處理浮點與非浮點數(shù)據(jù)里的缺失數(shù)據(jù)，表示為 NaN；
• 大小可變：插入或刪除 DataFrame 等多維對象的列；
• 自動、顯式數(shù)據(jù)對齊：顯式地將對象與一組標簽對齊，也可以忽略標簽，在 Series、DataFrame 計算時自動與數(shù)據(jù)對齊；
• 強大、靈活的分組（group by）功能：拆分-應用-組合數(shù)據(jù)集，聚合、轉換數(shù)據(jù)；
• 把 Python 和 NumPy 數(shù)據(jù)結構里不規(guī)則、不同索引的數(shù)據(jù)輕松地轉換為 DataFrame 對象；
• 基于智能標簽，對大型數(shù)據(jù)集進行切片、花式索引、子集分解等操作；
• 直觀地合并（merge）、**連接（join）**數(shù)據(jù)集；
• 靈活地重塑（reshape）、**透視（pivot）**數(shù)據(jù)集；
• 軸支持結構化標簽：一個刻度支持多個標簽；
• 成熟的 IO 工具：讀取文本文件（CSV 等支持分隔符的文件）、Excel 文件、數(shù)據(jù)庫等來源的數(shù)據(jù)，利用超快的 HDF5 格式保存 / 加載數(shù)據(jù)；
• 時間序列：支持日期范圍生成、頻率轉換、移動窗口統(tǒng)計、移動窗口線性回歸、日期位移等時間序列功能。

這些功能主要是為了解決其它編程語言、科研環(huán)境的痛點。處理數(shù)據(jù)一般分為幾個階段：數(shù)據(jù)整理與清洗、數(shù)據(jù)分析與建模、數(shù)據(jù)可視化與制表，Pandas 是處理數(shù)據(jù)的理想工具。

其它說明：

• Pandas 速度很快。Pandas 的很多底層算法都用 Cython 優(yōu)化過。然而，為了保持通用性，必然要犧牲一些性能，如果專注某一功能，完全可以開發(fā)出比 Pandas 更快的專用工具。
• Pandas 是 statsmodels 的依賴項，因此，Pandas 也是 Python 中統(tǒng)計計算生態(tài)系統(tǒng)的重要組成部分。
• Pandas 已廣泛應用于金融領域。