转载这篇文章，首先是给自己作为一个参考，而是也让更多人能够看到这篇文章。
本文是对pandas官方网站上《10 Minutes to pandas》的一个简单的翻译，原文在这里。这篇文章是对pandas的一个简单的介绍，详细的介绍请参考：Cookbook 。习惯上，我们会按下面格式引入所需要的包：
- 创建对象
可以通过 Data Structure Intro Setion 来查看有关该节内容的详细信息。
1、可以通过传递一个list对象来创建一个Series，pandas会默认创建整型索引：
2、通过传递一个numpy array，时间索引以及列标签来创建一个DataFrame：
3、通过传递一个能够被转换成类似序列结构的字典对象来创建一个DataFrame：
4、查看不同列的数据类型：
5、如果你使用的是IPython，使用Tab自动补全功能会自动识别所有的属性以及自定义的列，下图中是所有能够被自动识别的属性的一个子集：
- 查看数据
详情请参阅：Basics Section
- 查看frame中头部和尾部的行：
- 显示索引、列和底层的numpy数据：
- describe()函数对于数据的快速统计汇总：
- 对数据的转置：
- 按轴进行排序
- 按值进行排序
- 选择
虽然标准的Python/Numpy的选择和设置表达式都能够直接派上用场，但是作为工程使用的代码，我们推荐使用经过优化的pandas数据访问方式： .at, .iat, .loc, .iloc 和 .ix详情请参阅Indexing and Selecing Data 和 MultiIndex / Advanced Indexing。
- 获取
- 选择一个单独的列，这将会返回一个Series，等同于df.A：
- 通过[]进行选择，这将会对行进行切片
- 通过标签选择
- 使用标签来获取一个交叉的区域
- 通过标签来在多个轴上进行选择
- 标签切片
- 对于返回的对象进行维度缩减
- 获取一个标量
- 快速访问一个标量（与上一个方法等价）
- 通过位置选择
- 通过传递数值进行位置选择（选择的是行）
- 通过数值进行切片，与numpy/python中的情况类似
- 通过指定一个位置的列表，与numpy/python中的情况类似
- 对行进行切片
- 对列进行切片
- 获取特定的值
- 布尔索引
- 使用一个单独列的值来选择数据：
- 使用where操作来选择数据：
- 使用isin()方法来过滤：
- 设置
- 设置一个新的列：
- 通过标签设置新的值：
- 通过位置设置新的值：
- 通过一个numpy数组设置一组新值：
上述操作结果如下：
- 通过where操作来设置新的值：
- 缺失值处理
在pandas中，使用np.nan来代替缺失值，这些值将默认不会包含在计算中，详情请参阅：Missing Data Section。
- reindex()方法可以对指定轴上的索引进行改变/增加/删除操作，这将返回原始数据的一个拷贝：、
- 去掉包含缺失值的行：
- 对缺失值进行填充：
- 对数据进行布尔填充：
- 相关操作
详情请参与 Basic Section On Binary Ops
- 统计（相关操作通常情况下不包括缺失值）
- 执行描述性统计：
- 在其他轴上进行相同的操作：
- 对于拥有不同维度，需要对齐的对象进行操作。Pandas会自动的沿着指定的维度进行广播：
- Apply
- 对数据应用函数：
- 直方图
具体请参照：Histogramming and Discretization
- 字符串方法
Series对象在其str属性中配备了一组字符串处理方法，可以很容易的应用到数组中的每个元素，如下段代码所示。更多详情请参考：Vectorized String Methods.
- 合并
Pandas提供了大量的方法能够轻松的对Series，DataFrame和Panel对象进行各种符合各种逻辑关系的合并操作。具体请参阅：Merging section
- Concat
- Join 类似于SQL类型的合并，具体请参阅：Database style joining
- Append 将一行连接到一个DataFrame上，具体请参阅Appending：
- 分组
对于”group by”操作，我们通常是指以下一个或多个操作步骤：
- （Splitting）按照一些规则将数据分为不同的组；
- （Applying）对于每组数据分别执行一个函数；
- （Combining）将结果组合到一个数据结构中；
详情请参阅：Grouping section
- 分组并对每个分组执行sum函数：
- 通过多个列进行分组形成一个层次索引，然后执行函数：
- Reshaping
详情请参阅 Hierarchical Indexing 和 Reshaping。
- Stack
- 数据透视表，详情请参阅：Pivot Tables.
可以从这个数据中轻松的生成数据透视表：
- 时间序列
Pandas在对频率转换进行重新采样时拥有简单、强大且高效的功能（如将按秒采样的数据转换为按5分钟为单位进行采样的数据）。这种操作在金融领域非常常见。具体参考：Time Series section。
- 时区表示：
- 时区转换：
- 时间跨度转换：
- 时期和时间戳之间的转换使得可以使用一些方便的算术函数。
- Categorical
从0.15版本开始，pandas可以在DataFrame中支持Categorical类型的数据，详细 介绍参看：categorical introduction和API documentation。
- 将原始的grade转换为Categorical数据类型：
- 将Categorical类型数据重命名为更有意义的名称：
- 对类别进行重新排序，增加缺失的类别：
- 排序是按照Categorical的顺序进行的而不是按照字典顺序进行：
- 对Categorical列进行排序时存在空的类别：
- 画图
具体文档参看：Plotting docs
对于DataFrame来说，plot是一种将所有列及其标签进行绘制的简便方法：
- 导入和保存数据
- CSV，参考：Writing to a csv file
- 写入csv文件：
- 从csv文件中读取：
- HDF5，参考：HDFStores
- 写入HDF5存储：
- 从HDF5存储中读取：
- Excel，参考：MS Excel
- 写入excel文件：
- 从excel文件中读取：
