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、直观的处理关系型、标记型数据。
Pandas适用于处理以下类型的数据：
1.与SQL或Excel表类似的，含异构列的表格数据;
2.有序和无序（非固定频率）的时间序列数据;
3.带行列标签的矩阵数据，包括同构或异构型数据;
4.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（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。
Pandas有许多的优势
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；
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；
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、连接数据集；
灵活地重构、透视数据集；
轴支持结构化标签：一个刻度支持多个标签；
成熟地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；
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。
Pandas速度很快，Pandas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
为什么有多个数据结构？
Pandas数据结构就像是低维数据的容器。比如，DataFrame是Series的容器，Series则是标量的容器。使用这种方式，可以在容器中以字典的形式插入或删除对象。
此外，通用API函数的默认操作要顾及时间序列与截面数据集的方向。多维数组存储二维或三维数据时，编写函数要注意数据集的方向，这对我们来说是一种负担；如果不考虑C或Fortran中连续性对性能的影响，一般情况下，不同的轴在程序里其实没有什么区别。Pandas里，轴的概念主要是为了给数据赋予更字段的语义，即用“更恰当”的方式表示数据集的方向。这样做可以让我们在使用Pandas编写数据转换函数时，少费点脑子。
处理DataFrame等表格数据时，index（行）或columns（列）比axis
0和axis 1更直观。用这种方式迭代DataFrame的列，代码更容易读懂:
大小可变与数据复制
Pandas所有数据结构的值都是可变的，但数据结构的大小并非都是可变的，比如，Series的长度不可改变，但DataFrame里就可以插入列。
Pandas里，绝大多数方法都不改变原始的输入数据，而是复制数据，生成新的对象。一般来说，原始输入数据不变更稳妥。
如果你想学习Python，但是找不到学习路径和资源，欢迎来指尖编程。
