Pandas 是一种流行的 Python 包，用于实际的实际数据分析。 它提供了高效，快速和高性能的数据结构，使数据探索和分析变得非常容易。 本学习指南将帮助您了解 pandas 库提供的一组全面功能，以执行有效的数据操作和分析。
第 1 章，“Pandas 和数据分析”是对 Pandas 关键功能的动手介绍。 本章旨在为在统计和数据科学领域中使用 Pandas 提供一些背景。 本章将探讨数据科学中的几个概念，并展示 Pandas 如何支持它们。 这将为后续各章设置背景，并提到每章都与数据科学和数据科学过程相关。
第 2 章，“启动和运行 Pandas”指导读者获取和安装 Pandas，并介绍一些 Pandas 的基本概念。 我们还将研究如何使用 iPython 和 Juypter 笔记本呈现示例。
第 3 章，“用序列表示单变量数据”，引导读者逐步使用 pandas 序列，该序列提供一维索引数据表示。 读者将了解如何创建序列对象以及如何操作其中包含的数据。 他们还将学习数据的索引和对齐方式，以及如何使用序列来切片数据。
第 4 章，“用数据帧表示表格和多元数据”引导读者了解 pandas 数据帧的基本用法，该方法提供并索引了多元数据表示形式。 本章将指导读者使用各种静态数据集创建数据帧对象，以及如何执行其中特定列和行的选择。 现在，下一章将处理复杂的查询，操作和索引编制。
第 5 章，“数据帧对象的操作和索引”在上一章中进行了扩展，并指导您如何执行对数据帧的更复杂的操作。 我们首先学习如何添加，删除和删除列和行； 修改数据帧中的数据（或创建修改后的副本）； 对其中的数据进行计算； 创建分层索引； 并根据数据帧内容计算常见的统计结果。
第 6 章，“索引数据”显示了如何将数据从外部源加载和保存到序列和数据帧对象中。 本章还介绍了来自多个源的数据访问，例如文件，http 服务器，数据库系统和 Web 服务。 还介绍了 CSV，HTML 和 JSON 格式的数据处理。
第 7 章，“类别数据”指导读者如何使用 Pandas 提供的各种工具来管理脏数据和缺失数据。
第 8 章，“数值和统计方法”涵盖了各种用于组合，分割，合并和合并位于多个 Pandas 对象中的数据的技术，然后是如何使用数据透视，堆叠和融合等概念重塑数据。
第 9 章，“访问数据”讨论了分组和执行聚合数据分析。 在 Pandas 中，这通常称为拆分应用组合模式。 读者将学习如何使用此模式将数据按各种不同的配置进行分组，并且还将应用聚合函数来计算每组数据的结果。
第 10 章，“整理数据”解释了如何以整洁的形式组织数据，该数据可用于数据分析。
第 11 章，“组合，关联和重塑数据”告诉读者如何通过连接，合并和连接之类的概念，在多个 Pandas 对象中获取数据并将其组合。
第 12 章，“数据聚合”深入研究了 Pandas 与 matplotlib 的集成，以可视化 Pandas 数据。 本章将演示如何呈现许多常见的统计和财务数据可视化效果，包括条形图，直方图，散点图，面积图，密度图和热图。
第 13 章，“时间序列建模”涵盖了代表 Pandas 中的时间序列数据。 本章将介绍 Pandas 提供的广泛功能，以便于分析时间序列数据。
第 14 章，“可视化”教您如何基于存储在 Pandas 数据结构中的数据创建数据可视化。 我们从基础学习开始，如何从数据创建简单的图表并控制图表的几个属性（例如图例，标签和颜色）。 我们检查了几种常见图类型的创建，这些图用于表示不同类型的数据，这些类型的图使用这些图类型在基础数据中传达含义。 我们还将学习如何将 Pandas 与 D3.js 集成在一起，以便我们可以创建基于 Web 的丰富可视化。
第 15 章，“历史股价分析”向您展示如何将 Pandas 应用于基本的财务问题。 它将重点关注从 Yahoo 获得的数据。 财务，并将在财务数据中演示许多财务概念，例如计算收益，滚动平均值，波动率和其他几个概念。 学生还将学习如何将数据可视化应用于这些财务概念。
本书假定您对编程概念有所了解，但是没有编程经验，尤其是没有 Python 编程经验的人，对这些示例将感到满意，因为它们将重点放在 Pandas 构造上，而不是 Python 或编程上。 这些示例基于 Anaconda Python 2.7 和 pandas 0.15.1。 如果您尚未安装 Pandas，则将在第 2 章，“启动并运行 Pandas”中提供有关在 Windows，OSX 和 Ubuntu 系统上安装 Pandas 的指南。 对于那些对安装任何软件感兴趣的人，还提供了有关使用 Warkari.io 在线 Python 数据分析服务的说明。
本书非常适合希望使用 Pandas 进行数据分析的数据科学家，数据分析师和 Python 程序员，以及任何对数据分析感兴趣的人。 一些统计和编程知识将帮助您充分利用本书，但这不是严格要求的。 也不需要事先接触 Pandas。
在本书中，您会发现许多可以区分不同类型信息的文本样式。 以下是这些样式的一些示例，并解释了其含义。
文本中的代码字如下所示：“可以使用pd.read_csv()函数轻松地将此信息导入到数据帧中，如下所示。”
在 Python 解释器中输入的代码块设置如下：
import pandas as pd
df = pd.DataFrame.from_items([('column1', [1, 2, 3])])
print (df)任何命令行输入或输出的编写方式如下：
mh@ubuntu:~/Downloads$ chmod +x Anaconda-2.1.0-Linux-x86_64.sh
mh@ubuntu:~/Downloads$ ./Anaconda-2.1.0-Linux-x86_64.sh新术语和重要词以粗体显示。 您在屏幕上看到的字词，例如在菜单或对话框中的字样如下所示：“本书中的快捷方式基于Mac OS X 10.5+方案”。
警告或重要提示会出现在这样的框中。
提示和技巧如下所示。