Pandas 是在 Numpy 上的封装。 继承了 Numpy 的所有优点，但是这种封装有好有坏
我们对比一下两者创建的形式和效果
import pandas as pd
import numpy as np
a=np.array([[1,2],[3,4]])
b=pd.DataFrame(
{
"a":[1,2],
"b":[3,4]
}
)
print(a,"\n",b)
Pandas 就像字典一样，还记录着数据的外围信息， 比如标签（Column 名）和索引（Row index）
可以简单理解为Numpy 是 Python 里的列表，而 Pandas 是 Python 里的字典
Pandas 和 NumPy 都是Python中用于数据处理和分析的重要库，但它们具有不同的优点和缺点，适用于不同类型的任务和应用场景。
Pandas的优点：
-
表格数据处理: Pandas以DataFrame的形式支持表格型数据处理，这种结构非常适合处理多维数据，例如SQL数据库或电子表格。DataFrame允许你轻松地执行各种操作，如筛选、合并、聚合、透视等。
-
标签: Pandas提供了丰富的标签，可以用于行和列，使得数据的访问和操作更加直观和容易理解。
-
缺失数据处理: Pandas提供了有效的方法来处理缺失数据，这在实际数据分析中非常常见。你可以轻松地填充、删除或插入缺失的数据。
-
时间序列数据: Pandas对时间序列数据的支持非常强大，包括日期范围生成、滚动窗口、时间重采样等功能。
-
数据可视化: Pandas可以与其他数据可视化库（如Matplotlib和Seaborn）结合使用，以便快速生成图表和可视化数据。
Pandas的缺点：
-
性能: 对于大型数据集，Pandas的性能可能不如NumPy，因为Pandas的DataFrame会消耗更多的内存和计算资源。
-
学习曲线: 对于初学者来说，Pandas的学习曲线可能较陡峭，因为需要了解各种函数和概念，如索引、层次化索引、多级列等。
NumPy的优点：
-
性能: NumPy是一个高性能的数值计算库，它用C语言编写，并且对数组操作进行了优化。对于大型数据集和数值计算任务，NumPy通常比Pandas更快。
-
多维数组: NumPy的核心数据结构是多维数组（ndarray），它非常适合进行数学和科学计算，如线性代数、统计分析和信号处理。
-
广泛的数学函数: NumPy提供了大量的数学和统计函数，包括线性代数、傅立叶变换、随机数生成等。
-
与其他库的集成: NumPy与许多其他科学计算库（如SciPy、scikit-learn）以及数据可视化库（如Matplotlib）紧密集成，使得它成为构建复杂数据分析和科学计算应用的基础。
NumPy的缺点：
-
缺少表格数据结构: NumPy主要关注多维数组，缺少直接支持表格数据的数据结构。这使得处理类似数据库表格或电子表格的数据时，需要使用较多的代码。
-
不适用于非数值数据: NumPy主要用于数值数据，不太适用于处理文本或混合类型的数据。
综上所述，Pandas和NumPy在数据处理和分析中各有其优点和缺点，通常会根据任务的性质和需求来选择使用哪个库，甚至可以同时使用它们以发挥各自的优势。如果需要处理表格型数据、进行数据清洗和转换，通常会首选Pandas。如果需要进行数值计算、线性代数运算或高性能的科学计算，NumPy可能更适合。
