python与pandas关系 Python之pandas操作.doc

1
python与pandas关系_Python之pandas操作
Pandas是Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据°Pandas的目标是成为Python数据分
1
python与pandas关系_Python之pandas操作
Pandas是Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据°Pandas的目标是成为Python数据分析实践与实战的必备高级工具，其长远目标是成为最强大、最灵活、可以支持任何语言的开源数据分析工具。经过多年不懈的努力，Pandas离这个目标已经越来越近了。
Pandas适用于处理以下类型的数据：
与SQL或Excel表类似的，含异构列的表格数据;
有序和无序(非固定频率)的时间序列数据；
带行列标签的矩阵数据，包括同构或异构型数据；
任意其它形式的观测、统计数据集，数据转入Pandas数据结构时不必事先标记。
Pandas的主要数据结构是Series(—维数据)与DataFrame(二维数据)，这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。对于R用户，°Pandas基于NumPy开发，可以与其它第三方科学计算支持库完美集成。
Pandas就像一把万能瑞士军刀，下面仅列出了它的部分优势：
处理浮点与非浮点数据里的缺失数据，表示为NaN;
大小可变：插入或删除DataFrame等多维对象的列；
自动、显式数据对齐：显式地将对象与一组标签对齐，也可以忽略标签，在Series、DataFrame计算时自动与数据对齐；
强大、灵活的分组(groupby)功能：拆分-应用-组合数据集，聚合、转换数据；
把Python和NumPy数据结构里不规则、不同索引的数据轻松地转换为DataFrame对象；
基于智能标签，对大型数据集进行切片、花式索引、子集分解等操作；
直观地合并(merge)、**连接(join)**数据集；
灵活地重塑(reshape)、**透视(pivot)**数据集；
轴支持结构化标签：一个刻度支持多个标签；
成熟的10工具：读取文本文件(CSV等支持分隔符的文件)、Excel文件、数据库等来源的数据，利用超快的HDF5格式保存/加载数据；
时间序列：支持日期范围生成、频率转换、移动窗口统计、移动窗口线性回归、日期位移等时间序列功能。
这些功能主要是为了解决其它编程语言、科研环境的痛点。处理数据一般分为几个阶段：数据整理与清洗、数据分析与建模、数据可视化与制表，Pandas是处理数据的理想工具。
其它说明：
Pandas速度很快°Pandas的很多底层算法都用Cython优化过。然而，为了保持通用性，必然要牺牲一些性能，如果专注某一功能，完全可以开发出比Pandas更快的专用工具。
Pandas是statsmodels的依赖项，因此，Pandas也是Python中统计计算生态系统的重要组成部分。
Pandas已广泛应用于金融领域。
#数据结构
维数名称描述
Series
1
带标签的一维同构数组
2
DataFram