前言

一、pandas介绍

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。

对于使用 Python 进行数据分析来说，pandas 几乎是无人不知，无人不晓的。通俗来讲，pandas 是 Python 编程界的 Excel 。

pandas官方网站 点我，没有 VPN 访问较慢。

pandas中文网 点我，可以正常访问，较为人性化。

二、pandas优势

为什么 pandas 能成为 Python 数据分析的利器和核心支持库?我想大概可以从以下几点中找到答案。

2.1 强大的数据结构支撑

pandas的主要数据结构是 Series（一维数据）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的用例。

对于 R 用户，DataFrame提供了比R语言 data.frame 更丰富的功能。pandas是基于NumPy开发，可以与其它第三方科学计算支持库完美集成。

2.2 优点

• 1.处理浮点与非浮点数据里的缺失数据，表示为NaN

• 2.大小可变

插入或删除DataFrame等多维对象的列；

• 3.自动、显示数据对齐

显示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；

• 4.强大、灵活的分组（group by）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；

• 5.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；

• 6.轴支持结构化标签：一个刻度支持多个标签；

• 7.成熟的IO工具

读取文本文件（CSV等支持分隔符地文件）、Excel文件、数据库等来源地数据，利用超快地HDF5格式保存/加载数据；

• 8.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。

三、pandas学习路线

首先是 Series：

之后是 DataFrame ：

结语

pandas 的学习注定会遇到很多困难，这让我想起了当初学习 Java 框架 Spring 的时候，感觉都看不下去了，乏味无趣，后面慢慢的发现，边学习边实践，拒绝拖延，是提高学习积极性的好办法。

相关导读

文章直达	链接
上期回顾	【数据分析 - 基础入门之NumPy⑥】- NumPy案例巩固强化
下期预告	【数据分析 - 基础入门之pandas②】- pandas数据结构——Series