Pandas（Python Data Analysis Library ）是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。

Pandas是Python的一个数据分析包，最初由AQR Capital Management于2008年4月开发，并于2009年底开源出来，目前由专注于Python数据包开发的PyData开发team继续开发和维护，属于PyData项目的一部分。Pandas最初被作为金融数据分析工具而开发出来。

Pandas含有使数据分析工作变得更快更简单的高级数据结构和操作工具。pandas是基于Numpy构建的，让以Numpy为中心的应用变得更简单。

Pandas专用于数据预处理和数据分析的Python第三方库，最适合处理大型结构化表格数据

• Pandas是2008年Wes McKinney于AQR资本做量化分析师时创建
• Pandas借鉴了R的数据结构
• Pandas基于Numpy搭建，支持Numpy中定义的大部分计算
• Pandas含有使数据分析工作更简单高效的高级数据结构和操作工具
• Pandas底层用Cython和C做了速度优化，极大提高了执行效率

Pandas引入约定:

from pandas import Series, DataFrame
import pandas as pd

1.1.1. Python、Numpy和Pandas对比

Python

• list：Python自带数据类型，主要用一维，功能简单，效率低

• Dict：Python自带数据类型，多维键值对，效率低

Numpy

• ndarray：Numpy基础数据类型，单一数据类型
• 关注数据结构/运算/维度（数据间关系）

Pandas

• Series：1维，类似带索引的1维ndarray
• DataFrame：2维，表格型数据类型，类似带行／列索引的2维ndarray 关注数据与索引的关系（数据实际应用）

从实用性、功能强弱和和可操作性比较：list < ndarray < Series/DataFrame

数据规整和分析工作中，ndarry数组作为必要补充，大部分数据尽量使用Pandas数据类型.

1.1.2. Pandas数据结构

Pandas的核心为两大数据结构，数据分析相关所有事物都是围绕着这两种结构进行的:

• Series
• DataFrame Series这样的数据结构用于存储一个序列的一维数据，而DataFrame作为更复杂的数据结构，则用于存储多维数据。

虽然这些数据结构不能解决所有的问题，但它们为大多数应用提供了有效和强大的工具。就简洁性而言，他们理解和使用起来都很简单。

两种数据结构奇特之处是讲索引对象和标签整合到自己的结构中，使得两种数据结构都具有很强的可操作性.

2. Series

Series是一种类似于一维数组的对象，它由一组数据(各种Numpy数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据即可产生最简单的Series.

2.1.1. Series示例

Series的字符串表现形式为：索引在左边，值在右边。由于我们没有为数据指定索引，于是会自动创建一个0~N-1的整数索引。我们可以通过Series的index和values属性获取索引和值的数组表现形式。

import pandas as pd
pd.Series([i for i in range(1,6)])

输出结果为：

0     1
1     2
2     3
3     4
4     5
dtype: int64