本文是對pandas官方網(wǎng)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(chuàng)建對象
可以通過Data Structure Intro Setion來查看有關(guān)該節(jié)內(nèi)容的詳細信息。
1、可以通過傳遞一個list對象來創(chuàng)建一個Series，pandas會默認創(chuàng)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(chuàng)建一個DataFrame：
3、通過傳遞一個能夠被轉(zhuǎn)換成類似序列結(jié)構(gòu)的字典對象來創(chuàng)建一個DataFrame：
4、查看不同列的數(shù)據(jù)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(shù)據(jù)
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(shù)據(jù)：
3、describe()函數(shù)對于數(shù)據(jù)的快速統(tǒng)計匯總：
4、對數(shù)據(jù)的轉(zhuǎn)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(shè)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(jīng)過優(yōu)化的pandas數(shù)據(jù)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(qū)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(shù)值進行位置選擇（選擇的是行）
2、通過數(shù)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(shù)據(jù)：
2、使用where操作來選擇數(shù)據(jù)：
3、使用isin()方法來過濾：
l設(shè)置
1、設(shè)置一個新的列：
2、通過標簽設(shè)置新的值：
3、通過位置設(shè)置新的值：
4、通過一個numpy數(shù)組設(shè)置一組新值：
上述操作結(jié)果如下：
5、通過where操作來設(shè)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(shù)據(jù)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(shù)據(jù)進行布爾填充：
五、相關(guān)操作
詳情請參與Basic Section On Binary Ops
l統(tǒng)計（相關(guān)操作通常情況下不包括缺失值）
1、執(zhí)行描述性統(tǒng)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(shù)據(jù)應(yīng)用函數(shù)：
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(yīng)用到數(shù)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(guān)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(guī)則將數(shù)據(jù)分為不同的組；
l（Applying）對于每組數(shù)據(jù)分別執(zhí)行一個函數(shù)；
l（Combining）將結(jié)果組合到一個數(shù)據(jù)結(jié)構(gòu)中；
詳情請參閱：Grouping section
1、分組并對每個分組執(zhí)行sum函數(shù)：
2、通過多個列進行分組形成一個層次索引，然后執(zhí)行函數(shù)：
八、Reshaping
詳情請參閱Hierarchical Indexing和Reshaping。
lStack
l數(shù)據(jù)透視表，詳情請參閱：Pivot Tables.
可以從這個數(shù)據(jù)中輕松的生成數(shù)據(jù)透視表：
九、時間序列
Pandas在對頻率轉(zhuǎn)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(shù)據(jù)轉(zhuǎn)換為按5分鐘為單位進行采樣的數(shù)據(jù)）。這種操作在金融領(lǐng)域非常常見。具體參考：Time Series section。
1、時區(qū)表示：
2、時區(qū)轉(zhuǎn)換：
3、時間跨度轉(zhuǎn)換：
4、時期和時間戳之間的轉(zhuǎn)換使得可以使用一些方便的算術(shù)函數(shù)。
十、Categorical
從0.15版本開始，pandas可以在DataFrame中支持Categorical類型的數(shù)據(jù)，詳細介紹參看：categorical introduction和API documentation。
1、將原始的grade轉(zhuǎn)換為Categorical數(shù)據(jù)類型：
2、將Categorical類型數(shù)據(jù)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(dǎo)入和保存數(shù)據(jù)
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?。?/p>
lExcel，參考：MS Excel
1、寫入excel文件：
2、從excel文件中讀?。?/p>
