本文是對pandas官方網站上《10 Minutes 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numpy array，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

1、查看frame中頭部和尾部的行：

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Indexing and 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：

lApply

1、對數據應用函數：

l直方圖

具體請參照：Histogramming and Discretization

l字符串方法

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：Merging section

lConcat

lJoin類似于SQL類型的合并，具體請參閱：Database style joining

lAppend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：Grouping section

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Hierarchical Indexing和Reshaping。

lStack

l數據透視表，詳情請參閱：Pivot Tables.

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：Time Series 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：categorical introduction和API documentation。

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

lCSV，參考：Writing to a csv file

1、寫入csv文件：

2、從csv文件中讀取：

lHDF5，參考：HDFStores

1、寫入HDF5存儲：

2、從HDF5存儲中讀取：

lExcel，參考：MS Excel

1、寫入excel文件：

2、從excel文件中讀取：