本文是对pandas官方网站上《10minutes to pandas》的一个简单的翻译，原文在这里。这篇文章是对pandas的一个简单的介绍，详细的介绍请参考：cookbook 。习惯上，我们会按下面格式引入所需要的包：
一、创建对象
可以通过data structure intro setion 来查看有关该节内容的详细信息。
1、可以通过传递一个list对象来创建一个series，pandas会默认创建整型索引：
2、通过传递一个numpyarray，时间索引以及列标签来创建一个dataframe：
3、通过传递一个能够被转换成类似序列结构的字典对象来创建一个dataframe：
4、查看不同列的数据类型：
5、如果你使用的是ipython，使用tab自动补全功能会自动识别所有的属性以及自定义的列，下图中是所有能够被自动识别的属性的一个子集：
二、查看数据
详情请参阅：basics section
1、 查看frame中头部和尾部的行：
2、 显示索引、列和底层的numpy数据：
3、 describe()函数对于数据的快速统计汇总：
4、 对数据的转置：
5、 按轴进行排序
6、 按值进行排序
三、选择
虽然标准的python/numpy的选择和设置表达式都能够直接派上用场，但是作为工程使用的代码，我们推荐使用经过优化的pandas数据访问方式： .at,.iat,.loc,.iloc和.ix详情请参阅indexingand selecing data 和 multiindex/ advanced indexing。
l 获取
1、 选择一个单独的列，这将会返回一个series，等同于df.a：
2、 通过[]进行选择，这将会对行进行切片
l 通过标签选择
1、 使用标签来获取一个交叉的区域
2、 通过标签来在多个轴上进行选择
3、 标签切片
4、 对于返回的对象进行维度缩减
5、 获取一个标量
6、 快速访问一个标量（与上一个方法等价）
l 通过位置选择
1、 通过传递数值进行位置选择（选择的是行）
2、 通过数值进行切片，与numpy/python中的情况类似
3、 通过指定一个位置的列表，与numpy/python中的情况类似
4、 对行进行切片
5、 对列进行切片
6、 获取特定的值
l 布尔索引
1、 使用一个单独列的值来选择数据：
2、 使用where操作来选择数据：
3、 使用isin()方法来过滤：
l 设置
1、 设置一个新的列：
2、 通过标签设置新的值：
3、 通过位置设置新的值：
4、 通过一个numpy数组设置一组新值：
上述操作结果如下：
5、 通过where操作来设置新的值：
四、缺失值处理
在pandas中，使用np.nan来代替缺失值，这些值将默认不会包含在计算中，详情请参阅：missing data section。
1、 reindex()方法可以对指定轴上的索引进行改变/增加/删除操作，这将返回原始数据的一个拷贝：、
2、 去掉包含缺失值的行：
3、 对缺失值进行填充：
4、 对数据进行布尔填充：
五、相关操作
详情请参与basic section on binary ops
l 统计（相关操作通常情况下不包括缺失值）
1、 执行描述性统计：
2、 在其他轴上进行相同的操作：
3、 对于拥有不同维度，需要对齐的对象进行操作。pandas会自动的沿着指定的维度进行广播：
l apply
1、 对数据应用函数：
l 直方图
具体请参照：histogrammingand discretization
l 字符串方法
series对象在其str属性中配备了一组字符串处理方法，可以很容易的应用到数组中的每个元素，如下段代码所示。更多详情请参考：vectorized string methods.
六、合并
pandas提供了大量的方法能够轻松的对series，dataframe和panel对象进行各种符合各种逻辑关系的合并操作。具体请参阅：mergingsection
l concat
l join 类似于sql类型的合并，具体请参阅：databasestyle joining
l append 将一行连接到一个dataframe上，具体请参阅appending：
七、分组
对于”group by”操作，我们通常是指以下一个或多个操作步骤：
l （splitting）按照一些规则将数据分为不同的组；
l （applying）对于每组数据分别执行一个函数；
l （combining）将结果组合到一个数据结构中；
详情请参阅：groupingsection
1、 分组并对每个分组执行sum函数：
2、 通过多个列进行分组形成一个层次索引，然后执行函数：
八、reshaping
详情请参阅hierarchicalindexing和reshaping。
l stack
l 数据透视表，详情请参阅：pivottables.
可以从这个数据中轻松的生成数据透视表：
九、时间序列
pandas在对频率转换进行重新采样时拥有简单、强大且高效的功能（如将按秒采样的数据转换为按5分钟为单位进行采样的数据）。这种操作在金融领域非常常见。具体参考：timeseries section。
1、 时区表示：
2、 时区转换：
3、 时间跨度转换：
4、 时期和时间戳之间的转换使得可以使用一些方便的算术函数。
十、categorical
从0.15版本开始，pandas可以在dataframe中支持categorical类型的数据，详细介绍参看：和apidocumentation。
1、 将原始的grade转换为categorical数据类型：
2、 将categorical类型数据重命名为更有意义的名称：
3、 对类别进行重新排序，增加缺失的类别：
4、 排序是按照categorical的顺序进行的而不是按照字典顺序进行：
5、 对categorical列进行排序时存在空的类别：
十一、画图
具体文档参看：plottingdocs
对于dataframe来说，plot是一种将所有列及其标签进行绘制的简便方法：
十二、导入和保存数据
l csv，参考：writingto a csv file
1、 写入csv文件：
2、 从csv文件中读取：
l hdf5，参考：hdfstores
1、 写入hdf5存储：
2、 从hdf5存储中读取：
l excel，参考：msexcel
1、 写入excel文件：
2、 从excel文件中读取：
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://www.cnblogs.com/chaosimple/p/4153083.html