DataFrame对象
- 一个快速高效的DataFrame对象,用于集成索引的数据操作;
- 用于在内存数据结构和不同格式之间读取和写入数据的工具:CSV和文本文件,Microsoft Excel,SQL数据库和快速HDF5格式;
- 智能数据对齐和缺失数据的集成处理:在计算中获得基于标签的自动对齐,并轻松地将凌乱的数据处理成有序的形式;
- 灵活的数据集整形和旋转;
- 基于智能标签的切片,花式索引和 大数据集的子集化;
- 可以从数据结构中插入和删除列以确保大小可变性 ;
- 通过引擎聚合或转换数据与强大的组,允许对数据集进行拆分应用组合操作;
- 高性能的数据集合并和连接 ;
- 分层轴索引提供了在低维数据结构中处理高维数据的直观方式;
- 时间序列 - 功能:日期范围生成和频率转换,移动窗口统计,移动窗口线性回归,日期移位和滞后。甚至可以创建特定于域的时间偏移和连接时间序列而不会丢失数据;
- 高度优化性能,使用Cython或C 编写关键代码路径 。
- Python with pandas正在广泛的学术和商业领域中使用,包括金融,神经科学,经济学,统计学,广告,网络分析等。一个快速高效的DataFrame对象,用于集成索引的数据操作;
- 用于在内存数据结构和不同格式之间读取和写入数据的工具:CSV和文本文件,Microsoft Excel,SQL数据库和快速HDF5格式;
- 智能数据对齐和缺失数据的集成处理:在计算中获得基于标签的自动对齐,并轻松地将凌乱的数据处理成有序的形式;
- 灵活的数据集整形和旋转;
- 基于智能标签的切片,花式索引和 大数据集的子集化;
- 可以从数据结构中插入和删除列以确保大小可变性 ;
- 通过引擎聚合或转换数据与强大的组,允许对数据集进行拆分应用组合操作;
- 高性能的数据集合并和连接 ;
- 分层轴索引提供了在低维数据结构中处理高维数据的直观方式;
- 时间序列 - 功能:日期范围生成和频率转换,移动窗口统计,移动窗口线性回归,日期移位和滞后。甚至可以创建特定于域的时间- 偏移和连接时间序列而不会丢失数据;
- 高度优化性能,使用Cython或C 编写关键代码路径 。
- Python with pandas正在广泛的学术和商业领域中使用,包括金融,神经科学,经济学,统计学,广告,网络分析等。
创建文件
import pandas as pd
df = pd.DataFrame({"id":[1,2,3],"name":["Time","Victor","Nick"]})
df = df.set_index("id")