Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。Pandas最初被作为金融数据分析工具而开发出来，因此，pandas为时间序列分析提供了很好的支持。 Pandas的名称来自于面板数据（panel data）和python数据分析（data analysis）。Pandas 基于 NumPy 开发，可以与其它第三方科学计算支持库完美集成。

Pandas 提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。Pandas 适用于处理以下类型的数据：

• 与 SQL 或 Excel 表类似的，含异构列的表格数据;

• 有序和无序（非固定频率）的时间序列数据;

• 带行列标签的矩阵数据，包括同构或异构型数据;

• 任意其它形式的观测、统计数据集, 数据转入 Pandas 数据结构时不必事先标记。

Pandas 的主要数据结构是 Series（一维数据）与 DataFrame（二维数据），这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。

Pandas 就像一把万能瑞士军刀，下面仅列出了它的部分优势 ：

• 处理浮点与非浮点数据里的缺失数据，表示为 NaN；

• 大小可变：插入或删除 DataFrame 等多维对象的列；

• 自动、显式数据对齐：显式地将对象与一组标签对齐，也可以忽略标签，在 Series、DataFrame 计算时自动与数据对齐；

• 强大、灵活的分组（group by）功能：拆分-应用-组合数据集，聚合、转换数据；

• 把 Python 和 NumPy 数据结构里不规则、不同索引的数据轻松地转换为 DataFrame 对象；

• 基于智能标签，对大型数据集进行切片、花式索引、子集分解等操作；

• 直观地合并（merge）、**连接（join）**数据集；

• 灵活地重塑（reshape）、**透视（pivot）**数据集；

• 轴支持结构化标签：一个刻度支持多个标签；

• 成熟的 IO 工具：读取文本文件（CSV 等支持分隔符的文件）、Excel 文件、数据库等来源的数据，利用超快的 HDF5 格式保存 / 加载数据；

• 时间序列：支持日期范围生成、频率转换、移动窗口统计、移动窗口线性回归、日期位移等时间序列功能。

这些功能主要是为了解决其它编程语言、科研环境的痛点。处理数据一般分为几个阶段：数据整理与清洗、数据分析与建模、数据可视化与制表，Pandas 是处理数据的理想工具。

我们的TGBA安装环境里，已经安装了Pandas包，因此，直接导入即可。由于Pandas是基于NumPy的，所以需要提前导入NumPy。

import numpy as np

import pandas as pd

Pandas包约定俗成的适用pd作为别名。

Pandas说明可以看官方文档，pandas - Python Data Analysis Library (pydata.org)

也可以看Pandas中文站：Pandas (pypandas.cn)