本文是對pandas官方網站上《10minutes to pandas》的一個簡單的翻譯，原文在這里。這篇文章是對pandas的一個簡單的介紹，詳細的介紹請參考：cookbook 。習慣上，我們會按下面格式引入所需要的包：
一、創建對象
可以通過data structure intro setion 來查看有關該節內容的詳細信息。
1、可以通過傳遞一個list對象來創建一個series，pandas會默認創建整型索引：
2、通過傳遞一個numpyarray，時間索引以及列標簽來創建一個dataframe：
3、通過傳遞一個能夠被轉換成類似序列結構的字典對象來創建一個dataframe：
4、查看不同列的數據類型：
5、如果你使用的是ipython，使用tab自動補全功能會自動識別所有的屬性以及自定義的列，下圖中是所有能夠被自動識別的屬性的一個子集：
二、查看數據
詳情請參閱：basics section
2、 顯示索引、列和底層的numpy數據：
3、 describe()函數對于數據的快速統計匯總：
4、 對數據的轉置：
5、 按軸進行排序
6、 按值進行排序
三、選擇
雖然標準的python/numpy的選擇和設置表達式都能夠直接派上用場，但是作為工程使用的代碼，我們推薦使用經過優化的pandas數據訪問方式： .at,.iat,.loc,.iloc和.ix詳情請參閱indexingand selecing data 和 multiindex/ advanced indexing。
l 獲取
1、 選擇一個單獨的列，這將會返回一個series，等同于df.a：
2、 通過[]進行選擇，這將會對行進行切片
l 通過標簽選擇
1、 使用標簽來獲取一個交叉的區域
2、 通過標簽來在多個軸上進行選擇
3、 標簽切片
4、 對于返回的對象進行維度縮減
5、 獲取一個標量
6、 快速訪問一個標量（與上一個方法等價）
l 通過位置選擇
1、 通過傳遞數值進行位置選擇（選擇的是行）
2、 通過數值進行切片，與numpy/python中的情況類似
3、 通過指定一個位置的列表，與numpy/python中的情況類似
4、 對行進行切片
5、 對列進行切片
6、 獲取特定的值
l 布爾索引
1、 使用一個單獨列的值來選擇數據：
2、 使用where操作來選擇數據：
3、 使用isin()方法來過濾：
l 設置
1、 設置一個新的列：
2、 通過標簽設置新的值：
3、 通過位置設置新的值：
4、 通過一個numpy數組設置一組新值：
上述操作結果如下：
5、 通過where操作來設置新的值：
四、缺失值處理
在pandas中，使用np.nan來代替缺失值，這些值將默認不會包含在計算中，詳情請參閱：missing data section。
1、 reindex()方法可以對指定軸上的索引進行改變/增加/刪除操作，這將返回原始數據的一個拷貝：、
2、 去掉包含缺失值的行：
3、 對缺失值進行填充：
4、 對數據進行布爾填充：
五、相關操作
詳情請參與basic section on binary ops
l 統計（相關操作通常情況下不包括缺失值）
1、 執行描述性統計：
2、 在其他軸上進行相同的操作：
3、 對于擁有不同維度，需要對齊的對象進行操作。pandas會自動的沿著指定的維度進行廣播：
l apply
1、 對數據應用函數：
l 直方圖
具體請參照：histogrammingand discretization
series對象在其str屬性中配備了一組字符串處理方法，可以很容易的應用到數組中的每個元素，如下段代碼所示。更多詳情請參考：vectorized string methods.
六、合并
pandas提供了大量的方法能夠輕松的對series，dataframe和panel對象進行各種符合各種邏輯關系的合并操作。具體請參閱：mergingsection
l concat
l join 類似于sql類型的合并，具體請參閱：databasestyle joining
l append 將一行連接到一個dataframe上，具體請參閱appending：
七、分組
對于”group by”操作，我們通常是指以下一個或多個操作步驟：
l （splitting）按照一些規則將數據分為不同的組；
l （applying）對于每組數據分別執行一個函數；
l （combining）將結果組合到一個數據結構中；
詳情請參閱：groupingsection
1、 分組并對每個分組執行sum函數：
2、 通過多個列進行分組形成一個層次索引，然后執行函數：
八、reshaping
詳情請參閱hierarchicalindexing和reshaping。
l stack
l 數據透視表，詳情請參閱：pivottables.
可以從這個數據中輕松的生成數據透視表：
九、時間序列
pandas在對頻率轉換進行重新采樣時擁有簡單、強大且高效的功能（如將按秒采樣的數據轉換為按5分鐘為單位進行采樣的數據）。這種操作在金融領域非常常見。具體參考：timeseries section。
1、 時區表示：
2、 時區轉換：
3、 時間跨度轉換：
4、 時期和時間戳之間的轉換使得可以使用一些方便的算術函數。
十、categorical
從0.15版本開始，pandas可以在dataframe中支持categorical類型的數據，詳細介紹參看：和apidocumentation。
1、 將原始的grade轉換為categorical數據類型：
2、 將categorical類型數據重命名為更有意義的名稱：
3、 對類別進行重新排序，增加缺失的類別：
4、 排序是按照categorical的順序進行的而不是按照字典順序進行：
5、 對categorical列進行排序時存在空的類別：
十一、畫圖
具體文檔參看：plottingdocs
對于dataframe來說，plot是一種將所有列及其標簽進行繪制的簡便方法：
十二、導入和保存數據
l csv，參考：writingto a csv file
1、 寫入csv文件：
2、 從csv文件中讀取：
l hdf5，參考：hdfstores
1、 寫入hdf5存儲：
2、 從hdf5存儲中讀取：
l excel，參考：msexcel
1、 寫入excel文件：
2、 從excel文件中讀取：
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持服務器之家。
原文鏈接：https://www.cnblogs.com/chaosimple/p/4153083.html
