Pandas for python

　　Pandas是运行在编程软件“python”中的一个小程序，该软件可以帮助程序员在开发的过程中优化代码构建的速度，让您的程序变得更加简单，操作的流程更加快捷；现在，Pandas已经运用于大型的金融程序开发，在Cython代码中广泛应用，其开发的速度非常快，只需要您专注于应用程序的一个功能，就可以创建一个更快的专业工具，轻松处理python中的数据和缺失的代码，在开源数据分析方面已经成为了程序员必备的操作工具，需要的朋友可以下载试试！

软件功能

　　pandas 是一个提供快速，灵活和表达性数据的Python包结构设计使结构化（表格，多维，潜在异质）和时间序列数据都很容易和直观。

　　它旨在成为实践中的基本高层建筑，真实世界在Python中的数据分析。此外，它有更广泛的目标成为最强大灵活的开源数据分析/操作工具可用任何语言。它已经很好的路上实现这一目标。

　　pandas非常适合许多不同类型的数据：

　　- 带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（不一定是固定频率）时间序列数据。

　　- 任意矩阵数据（均匀类型或异质）与行和列标签

　　- 任何其他形式的观测/统计数据集。数据实际上不需要被标记以被放置到熊猫数据结构中

　　一个快速有效的DataFrame对象，用于集成索引的数据操作;

　　用于在内存中数据结构和不同格式之间读取和写入数据的工具：CSV和文本文件，Microsoft Excel，SQL数据库和快速HDF5格式;

　　智能数据对齐和缺失数据的集成处理：在计算中获得自动的基于标签的对齐，并且容易地将乱序数据处理成有序的形式;

　　数据集的灵活重塑和枢转;

　　智能基于标签的切片，花哨的索引和子集 的大型数据集;

　　列可以插入和删除数据结构的大小可变性 ;

　　使用强大的组通过引擎聚合或转换数据，允许对数据集进行拆分应用组合操作;

　　高性能合并和连接数据集;

软件特色

　　轻松处理浮点数据以及非浮点数据中缺失的数据（表示为NaN）

　　大小可变性：可以从DataFrame和更高维度的对象中插入和删除列

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

　　强大，灵活的分组功能，对数据集执行拆分应用组合操作，用于聚合和转换数据

　　使其可以轻松地将其他Python和NumPy数据结构中不规则，不同索引的数据转换为DataFrame对象

　　智能基于标签的切片，花哨的索引和子集 的大型数据集

　　直观合并和连接数据集

　　数据集的灵活重塑和枢转

　　轴的分层标签（每个标记可能有多个标签）

　　强大的IO工具，用于从平面文件（CSV和分隔），Excel文件，数据库加载数据，以及从超快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，移动窗口线性回归，日期移动和滞后等。

使用方法

　　dtype数据IO的关键字

　　用于指定解析列类型dtype的read_csv()函数中的关键字参数现在支持'python'引擎（GH14295）。有关详细信息，请参阅io docs。

　　该dtype关键字参数现在还支持在read_fwf()功能解析固定宽度的文本文件，并read_excel()解析Excel文件。

　　Groupby增强

　　DataFrame.groupby()作为参数传递的字符串by现在可以引用列名称或索引级别名称（GH5677）

　　更好地支持压缩的URLread_csv

　　重构压缩代码（GH12688）。其结果，从在URL中读取dataframes read_csv()或read_table()现在支持额外的压缩方法：xz，bz2，和zip（GH14570）。以前，仅gzip支持压缩。默认情况下，URL和路径的压缩现在都是使用其文件扩展名推断的。此外，支持bz2压缩在python 2 c引擎改进（GH14874）。

　　UInt64支持改进

　　Pandas已经显着改进了对涉及无符号或纯非负整数的操作的支持。以前，处理这些整数将导致不适当的舍入或数据类型转换，导致不正确的结果。值得注意的是，UInt64Index已创建了一个新的数字索引（，GH14937）

　　GroupBy对分类

　　在以前的版本中，如果对分类序列进行分组时某些类别未显示在数据中，则会失败。（GH13179）.groupby(...,sort=False)ValueError

相关介绍

　　pandas的两个主要数据结构，即Series（1-dimensional）和DataFrame（二维），处理绝大多数典型用例的金融，

　　统计，社会科学和许多工程领域。对于R用户，DataFrame提供R的``data.frame``提供的所有东西更多。 pandas建立在`NumPy `__之上旨在与许多科学计算环境良好地集成其他第三方库。

　　这里只是几个熊猫做得很好的事情：

　　- 易于处理*数据（表示为NaN）在浮点为以及非浮点数据

　　- 大小可变性：列可以插入和删除从DataFrame和更高维度的物体

　　- 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和让`Series`，`DataFrame`等自动对齐你的数据计算

　　- 强大，灵活组由功能执行对数据集进行拆分应用组合操作，用于聚合和转换数据

　　- 让它容易转换粗糙，不同索引的数据在其他Python和NumPy数据结构转换为DataFrame对象

　　- 基于智能标签的切片，花式索引和子集化的大数据集

　　- 直观合并和连数据集

　　- 灵活重塑和数据集的枢轴

　　- 轴的分层标签（可能有多个标签）

　　- 用于从平面文件加载数据的鲁棒IO工具（CSV和分隔），Excel文件，数据库和保存/加载数据从超快** HDF5格式

　　- **时间系列** - 具体功能：日期范围生成和频率　转换，移动窗口统计，移动窗口线性回归日期转移和滞后等。这些原则中的许多在这里经常解决缺点经验使用其他语言/科学研究环境。数据科学家，使用数据通常分为多个阶段：

　　清理和清理数据，分析/建模，然后组织结果的分析成适合于绘图或表格显示的形式。这是所有这些任务的理想工具。

更新日志

　　改进的性能pd.wide_to_long()（GH14779）

　　增加性能pd.factorize()通过释放与GIL object时作为字符串DTYPE推断（GH14859）

　　改进了使用不规则的DatetimeIndex（或with compat_x=True）（GH15073）绘制的时间序列的性能。

　　改进的性能groupby().cummin()和groupby().cummax()（GH15048，GH15109）

　　改进的性能和减少的内存索引与MultiIndex（GH15245）

　　当在read_sas()没有指定格式的方法中读取缓冲区对象时，推断文件路径字符串而不是缓冲区对象。（GH14947）

　　改进rank（）对分类数据的性能（GH15498）