终于谈到本书的主力工具—Pandas了。Pandas是Python下最强大的数据分析和探索工具（貌似没有之一）。它包含高级的数据结构和精巧的工具，使得在Python中处理数据非常快速和简单。Pandas构建在NumPy之上，它使得以NumPy为中心的应用很容易使用。Pandas的名称来自于面板数据（Panel Data）和Python数据分析（Data Analysis），它最初被作为金融数据分析工具而开发出来，由AQR Capital Management公司于2008年4月开发出来，并于2009年底开源。

Pandas的功能非常强大，支持类似于SQL的数据增、删、查、改，并且带有丰富的数据处理函数；支持时间序列分析功能；支持灵活处理缺失数据等。事实上，单纯Pandas工具就足以写一本书，读者可以阅读Pandas的主要作者之一Wes McKinney写的《利用Python进行数据分析》一书，学习更详细的内容。

（1）安装

Pandas的安装相对来说比较容易，安装好Numpy之后，就可以直接安装了，通过pip install pandas或下载源码后python setup.py install安装均可。由于我们频繁用到读取和写入Excel，但默认的Pandas还不能读写Excel文件，需要安装xlrd（读）和xlwt（写）库才能支持Excel的读写，方法如下。

pip install xlrd #为Python添加读取Excel的功能

pip install xlwt #为Python添加写入Excel的功能

（2）使用

在后面的章节中，我们会逐步展示Pandas的强大功能，而在本节，我们先以简单的例子一睹为快。
Pandas基本的数据结构是Series和DataFrame。顾名思义，Series就是序列，类似一维数组；DataFrame则是相当于一张二维的表格，类似二维数组，它的每一列都是一个Series。为了定位Series中的元素，Pandas提供了Index对象，每个Series都会带有一个对应的Index，用来标记不同的元素，Index的内容不一定是数字，也可以是字母、中文等，它类似于SQL中的主键。

类似地，DataFrame相当于多个带有同样Index的Series的组合（本质是Series的容器），每个Seiries都带有唯一的表头，用来标识不同的Series。

代码清单2-4　Pandas的简单例子

# -*- coding: utf-8 -*-
import pandas as pd #通常用pd作为pandas的别名。

s = pd.Series([1,2,3], index=['a', 'b', 'c']) #创建一个序列s
d = pd.DataFrame([[1, 2, 3], [4, 5, 6]], columns = ['a', 'b', 'c']) #创建一个表
d2 = pd.DataFrame(s) #也可以用已有的序列来创建表格

d.head() #预览前5行数据
d.describe() #数据基本统计量

#读取文件，注意文件的存储路径不能带有中文，否则读取可能出错。
pd.read_excel('data.xls') #读取Excel文件，创建DataFrame。
pd.read_csv('data.csv', encoding = 'utf-8') #读取文本格式的数据，一般用encoding指定编码。

由于Pandas是本书的主力工具，在后面将会频繁使用它，因此在这里就不进行详细介绍了，在后面的使用过程中将会更加详尽地讲解Pandas的使用方法。

参考链接：

http://pandas.pydata.org/pandas-docs/stable/。

http://jingyan.baidu.com/season/43456。