以下是对Pandas document其中的10 Minutes to pandas的简单翻译
具体原文见：http://pandas.pydata.org/pandas-docs/version/0.18.0/10min.html
===========================分割线================================
好，我们开始
这是一篇关于pandas的简要介绍，主要是为新手准备的。在Cookbook中有关于pandas
较为复杂的例子，链接如下：
http://pandas.pydata.org/pandas-docs/version/0.18.0/cookbook.html#cookbook
首先在库的导入中，习惯性约定如下：
1、对象创建
请看数据结构部分：http://pandas.pydata.org/pandas-docs/version/0.18.0/dsintro.html#dsintro
创建一个Series：由一系列值组成，索引为默认整型
创建一个DataFrame：由一个numpy数组组成，日期作为索引，且有列标签
创建一个DataFrame：通过字典形式创建，并且可以转换成类似Series的形式：
其特定的数据类型：
如果您正在使用IPython，那么Tab键就具有较强的索引功能，它会将当前对象可能的属性都罗列出来。下面您看到的
就是其一部分属性（实际上很多）。
2、审视数据
可以参见Basics section
查看frame的首行及尾行内容：
显示索引值，列以及相关的numpy数据
describe方法：展示数据统计的相关结果，非常便捷
对数据形式进行转置：
根据某一轴进行排序：
根据数值进行排序：
3、选取
注意：尽管标准的Python/Numpy表达式在数据的选取及设置方面较为直观，并且在交互式工作及
代码生成方面也很便利。但我们还是推荐最优化的pandas数据存取方法，如.at, .iat, .loc, .iloc和.ix。
具体可参见索引文档：Indexing and Selecting Data和MultiIndex/Anvanced Indexing.
获取
选取单列，即相当于产生一个Series；这等价于df.A
通过[]选取数据，相当于对行切片处理
根据标记值进行选取数据：
利用标记值获得一组数据：
根据标记值选取多个轴上的数据：
显示标记值的切片功能，选取域包括端点
减少数据维度大小：
获取标量数值（可理解为内部元素）：
快速获得一标量值（与前一方法等价）：
通过位置选取
通过所在位置整数大小选取
对整数进行切片，与numpy/python类似
通过一串整数列表进行位置选取，与numpy/python风格类似
对行进行切片：
对列进行切片：
获得DataFrame中的一个值（可理解为元素）：
快速获取一个标量（元素）值（与上述等价）：
布尔型相关索引：
用单列数值进行数据选取：
where操作方法进行数据选取：
利用isin()方法过滤数据：
创建一个新列，使其数据能根据索引值自动排序：
通过标签号设置值的大小：
通过位置值的大小：
通过指定一个numpy数组：
之前操作结果最终显示如下：
利用where操作方法进行设置：
4、数据缺失
pandas主要利用np.nan代替缺失的数据，它默认参加数据的计算，详参见：
Missing Data Section
reindexing允许改变、添加及删除特定轴上的索引，其返回数据的抄本。
丢掉含有数据缺失的行：
填充缺失的数据：
在nan值处获得布尔值：
5、操作符
详参见：Basic section on Binary Ops
操作符一般不包括缺失数据
进行描述性地统计：
其他轴的相同操作：
操作多维数据，并且实现数据对齐。除此之外，pandas能够自动在特定的维度进行广播：
应用
将函数运用到数据中：
直方图
详参见：Histogramming and Discretization
字符串方法
Series的str属性中集成了一整套的字符串处理方法，使得其能够很方便的操作数组里的每一个元素，
正如下面代码段所示。str方法中经常的方法都有其常用的使用格式（在某些情况下我们经常这样使用）。
合并
合并多个字符串或数组等多种对象
在连接或合并数据的运算中，pandas提供很多种方便的方法去将Series，Dataframe和panel对象结合在一起。
对于索引及相关代数功能提供不同的操作逻辑。
详参见：Merging section
用concat()将pandas对象对象聚合在一起：
连接
SQL合并格式。详参见：Database style joining
添加
在DataFrame加入一行
详参见：Appending
6、分组/分类
按组进行涉及到以下一些或者更多的过程：
按某种标准将数据分组
对各个组进行相关函数处理
将结果以合适的结构展示
详参见：Grouping Section
将数据分类后，对其运用sum方法：
按多个列进行分类，组成层次化索引，然后运用sum方法：
7、改变维度
详参见：Hierarchical IndexingandReshaping
堆栈
stack()方法精简了DataFrame的列：
对于DataFrame或Series，stack()方法的相反操作为unstack()，默认unstack到)的上一个状态
pivot表格
详参见：Pivot Tables
我们可以很容易从上述数据中得到pivot表格：
注：由于pandas版本问题，无法实现
时间序列
pandas对于频率变换中重采样的实现方面，简单且高效（如下面的操作）。这在金融方面非常常见，但并不仅限于此。
时间域表示
转换成另一种时间域表示
时间跨度表示之间的转换：
可以用一些便利的函数实现日期及时间戳间的转换。在下面的例子中，将年的季度域分隔转换成
以各个季度最后一个月的后一天早上9点作为时间域分隔：
8、分类属性
自pandas 0.15版本，在DataFrame中就开始包括分类属性。
详参见：categorical introduction 和API documentation
将raw grades 转换成一般数据类型：
使用更多有意义的名字作为分类名，以 Series.cat.categories 实现：
记住分类属性，同时加入一些缺少的属性( Series.cat方法返回一个新的Series )：
Categories里的排序是按照属性顺序，并不是类似字典的排序规则：
通过列的属性分组，则属性不显示：
9、绘图
详参见：Plotting
在DataFrame中，plot( )方法能够方便地根据列标签绘图：
10、数据的输入输出
csv格式
读写层次性资料格式数据
详参见：HDFStores
写入数据：
读取数据：
Excel
详参见：MS Excel
向excel表中写数据：
从excel表中读数据：
11、Gotchas
如果你在操作时遇见异常：
遇到这些情况，可以参见：Comparisons 和Gotchas。
注：操作环境
笔记本系统： win7 64位旗舰版
使用软件：Canopy
Version：1.7.4.3384（64bit）
附下载链接：https://store.enthought.com/downloads/#default
674
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
