首先pandas的作者就是這本書的作者
對于numpy，我們處理的對象是矩陣
pandas是基于numpy進行封裝的，pandas的處理對象是二維表（tabular, spreadsheet-like），和矩陣的差別就是，二維表是有中繼資料的
用這些中繼資料作為index更友善，而numpy隻有整形的index，但本質是一樣的，是以大部分操作是共通的
大家碰到最多的二維表應用，關系型資料庫中的表，有列名和行号，這些就是中繼資料
當然你可以用抽象的矩陣來對這些二維表做統計，但使用pandas會更友善
series
a series is a one-dimensional array-like object containing an array of data (of any numpy data type) and an associated array of data labels, called its index.
簡單的了解，就是字典，或一維表；不顯式指定index時，會自動添加 0 through n - 1的整數作為index
這裡可以簡單的替換index，生成新的series，
大家想想，對于numpy而言，沒有顯式的指定index，但也是可以通過整形的index取到資料的，這裡的index其實本質上和numpy的整形index是一樣的
是以對于numpy的操作，也同樣适用于pandas
同時，上面說了series其實就是字典，是以也可以用python字典來初始化
dataframe
a dataframe represents a tabular, spreadsheet-like data structure containing an ordered collection of columns, each of which can be a different value type (numeric, string, boolean, etc.).
如果接觸過r，應該對dataframe很熟悉，其實pandas就從某種程度上模拟出r的一些功能
是以如果用python也可以像r一樣友善的做統計，那何必要再去用r
上面series是字典或一維表，
dataframe是二維表，也可以看作是series的字典
指定了列名，行名是自動生成的
同時也可以指定行名，這裡增加了debt列，但是沒有資料，是以是nan
可以為debt，指派
取行，用ix
也可以用嵌套字典來建立dataframe，其實是series的字典，series本身就是字典，是以就是嵌套的字典
可以像numpy矩陣一樣，轉置
下面看看到底pandas在這些資料結構上提供了哪些友善的functions
reindexing
a critical method on pandas objects is reindex, which means to create a new object with the data conformed to a new index.
其實就是更改indexing
增加e，并預設填上0
還可以通過method參數，來指定填充方式
可以選擇向前或向後填充
對于二維表，可以在index和columns上同時進行reindex
reindex的參數，
dropping entries from an axis
用axis指定次元，對于二維表，行是0，列是1
indexing, selection, and filtering
基本和numpy差不多
arithmetic and data alignment
資料對齊和自動填充是pandas比較友善的一點
in [136]: df1 = dataframe(np.arange(12.).reshape((3, 4)), columns=list('abcd'))
in [137]: df2 = dataframe(np.arange(20.).reshape((4, 5)), columns=list('abcde'))
可以看到預設情況下，隻有兩個df都有的情況下，才會相加，否則為nan
我覺得大部分情況，應該是希望有一個就加一個，即把沒有的初始化為0
除了add，還支援
function application and mapping
1. element-wise：numpy ufuncs (element-wise array methods) work fine with pandas objects:
另一種element-wise，使用applymap
2. 可以将func apply到每一行或每一列
比較複雜的case
3.對于某個行或列，即series進行map
提供很多類似r的統計函數，
提供類似r中的descirbe，很友善
對非數值型，執行describe
彙總表，
correlation and covariance，相關系數和協方差
對msft和ibm之間求相關系數和協方差
也可以求出相關系數矩陣和協方差矩陣
unique values, value counts, and membership
in [217]: obj = series(['c', 'a', 'd', 'a', 'a', 'b', 'b', 'c', 'c'])
in [218]: uniques = obj.unique()
in [219]: uniques
out[219]: array([c, a, d, b], dtype=object)
in [220]: obj.value_counts()
out[220]:
c 3
a 3
b 2
d 1
提供一些用于處理missing data的工具函數
其中fillna複雜些，
hierarchical indexing is an important feature of pandas enabling you to have multiple (two or more) index levels on an axis. somewhat abstractly, it provides a way for you to work with higher dimensional data in a lower dimensional form.
可以使用多層分級的index，其實本質等同于增加一維，是以相當于用低維來模拟高維資料
并且是支援，通過unstack和stack來還原多元資料的
pandas還提供其他功能，尤其是etl功能，友善資料處理
比如和各種檔案讀入和寫出的功能
cleaning, transform(基于map), merge(join)……
本文章摘自部落格園，原文釋出日期：2014-08-12