維基百科

pandas

Python軟體庫
提示：此條目頁的主題不是PANDAS，它是用於Pandora Archive的澳大利亞歸檔管理系統。

在計算機編程中，pandas是用於數據操縱和分析的Python軟件庫。它建造在NumPy基礎上，並為操縱數值表格和時間序列，提供了數據結構和運算操作。它是在三條款BSD許可證下發行的自由軟件[2]。它的名字衍生自術語「面板數據」（panel data），這是計量經濟學的術語，即包括了對同一個體在多個時期內的觀測的數據集[3]。它的名字還可解釋為對短語「Python data analysis」的玩笑[4]。

pandas
原作者Wes McKinney（英語：Wes McKinney）
開發者社區
首次發布2008年1月11日，​16年前​（2008-01-11）
當前版本2.2.3[1]在維基數據編輯（2024年9月20日，2個月前）
源代碼庫
編輯維基數據鏈接
編程語言Python, Cython, C
操作系統跨平台
類型數據分析
許可協議三條款BSD許可證
網站pandas.pydata.org

歷史

編輯

2008年，原作者Wes McKinney（英語：Wes McKinney）開始在AQR資本管理公司製作pandas，用來滿足在財務數據上進行定量分析（英語：Quantitative analysis (finance)）時，對高性能、靈活工具的需要。2009年，他在離開AQR之前，說服管理者允許他將這個軟件庫開放源代碼。下面是其開發過程的時間線[5]：

  • 2008年，pandas開發開始。
  • 2009年，pandas開源。
  • 2012年，另一個AQR雇員Chang She加入了這個項目，並成為這個軟件庫的第二個主要貢獻者。第一版《Python for Data Analysis》發布。
  • 2015年，pandas簽約為NumFOCUS的一個財務贊助項目，NumFOCUS是美國的501(c)(3)非營利公益組織。
  • 2018年，舉行了第一次面對面的「核心開發者衝刺」。
  • 2022年，第三版《Python for Data Analysis》公開版在線發行[6]。

數據模型

編輯

pandas的序列（Series）是一維的加標籤數據結構，它能夠持有任何數據類型，如整數、字符串、浮點數和Python對象等，軸標籤在集體上稱為索引（index）。序列表現得非常類似於NumPy的ndarray數據結構，並且是大多數NumPy函數的有效實際參數。

pandas提供了類似於R語言中data.frame對象的數據幀（DataFrame），它是二維的加標籤數據結構，其諸縱列潛在的可能具有不同的類型；數據幀就像是電子表格或SQL表，或者是序列對象的字典[7]，這種格局也叫做數組之結構（英語：AoS_and_SoA）（SoA）。pandas允許各種數據操縱運算操作，比如選擇[8]、歸併[9]和重製形狀[10]，還有數據清洗和數據加工（英語：data wrangling）特徵。

主要特徵

編輯

pandas提供了快速而高效的數據幀對象，用於憑藉其集成的索引進行數據操縱。它的主要特徵有：

  • 易於將在其他的Python和NumPy數據結構中，參差不齊或不同索引的數據，轉換成數據幀對象。
  • 大小可變性，可以在數據幀和更高維對象中插入或刪除縱列。
  • 自動和顯式的「數據對齊」，標籤和數據之間的聯繫是固有的，但是可以顯式的控制二元運算的匹配和廣播行為[11]。兩個序列對象按標籤自動對齊，兩個數據幀對象自動對齊於縱列標籤和索引（即橫行標籤）二者上，二元運算的結果對象具有雙方的縱列標籤和橫行標籤的併集；數據幀與序列對象之間的默認行為，是序列的索引自動對齊於數據幀的縱列標籤，從而逐橫行廣播[12]。
  • 易於處理缺失數據，它被表示為用於浮點數的NaN（即NumPy的nan）、用於日期時間的NaT或跨數據類型的NA[13]。
  • 智能的對大數據集的基於標籤的分片（英語：Array slicing），多重索引和其他花樣索引，依據布爾值向量的子集化（英語：Subsetting）。
  • 直觀的數據集的歸併和連接。
  • 強大而靈活的分組（英語：Group by (SQL)）（groupby）功能，用來在數據集上進行分離-應用-合併（split-apply-combine）運算，它可用於數據聚合（英語：Aggregate function）和變換（英語：Data transformation (computing)）二者。
  • 靈活的數據集的重製形狀（reshape）和樞軸匯總。
  • 軸可以有層級標籤，從而在繪圖時每個刻度可能有多重標籤。
  • 健壯的I/O工具，用於從CSV和其他平面文件、JSON、Parquet（英語：Apache Parquet）、SQL表和查詢、Excel文件裝載數據，並以極快的HDF5格式保存/裝載數據。[14]
  • 特定於時間序列的功能，例如日期範圍生成和頻率轉換，移動窗口統計，日期移位（英語：Shift operator）和滯後（英語：Lag operator）。

pandas經過了高度的性能優化，關鍵代碼路徑用Cython或C語言寫成。pandas可以利用PyArrow來擴展功能並增進各種API的性能[15]。pandas的缺省繪圖後端是matplotlib，還可以擴展上其他第三方繪圖（英語：Plot (graphics)）後端[16]，比如Plotly Express[17]。 進程內（英語：Embedded database）SQL OLAP列式數據庫DuckDB，可以在pandas數據幀上執行SQL[18]。

示例

編輯

在下面的梗概示例中，展示針對數據幀的縱列和橫行的基本運算： 

>>> import pandas as pd
>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> 
>>> data = {
...     'variable': ['A'] * 3 + ['B'] * 3 + ['C'] * 3 + ['D'] * 3,
...     'date': pd.to_datetime(['2023-01-01', '2023-01-02', '2023-01-03'] * 4),
...     'value': [x + 0.1 for x in range(12)]
... }
>>> 
>>> df = pd.DataFrame(data)
>>> type(df['value']) == pd.Series
True
>>>
>>> df['value1'] = df['value'] + 0.1
>>> df
   variable       date  value  value1
0         A 2023-01-01    0.1     0.2
1         A 2023-01-02    1.1     1.2
2         A 2023-01-03    2.1     2.2
3         B 2023-01-01    3.1     3.2
4         B 2023-01-02    4.1     4.2
5         B 2023-01-03    5.1     5.2
6         C 2023-01-01    6.1     6.2
7         C 2023-01-02    7.1     7.2
8         C 2023-01-03    8.1     8.2
9         D 2023-01-01    9.1     9.2
10        D 2023-01-02   10.1    10.2
11        D 2023-01-03   11.1    11.2
>>> 
>>> df.index
RangeIndex(start=0, stop=12, step=1)
>>> 
>>> df.columns
Index(['variable', 'date', 'value', 'value1'], dtype='object')
>>> 
>>> df.loc[[1, 2], ['value', 'value1']] 
   value  value1
1    1.1     1.2
2    2.1     2.2
>>> 
>>> [df.columns.get_loc(x) for x in ['value', 'value1']]
[2, 3]
>>> 
>>> df.iloc[[1, 2], [2, 3]] 
   value  value1
1    1.1     1.2
2    2.1     2.2
>>> 
>>> df[(df['value']/2 > 1) & (df['value1'] < 3)]
  variable       date  value  value1
2        A 2023-01-03    2.1     2.2
>>> 
>>> df.query('value/2 > 1 & value1 < 3')
  variable       date  value  value1
2        A 2023-01-03    2.1     2.2
>>>

數據幀中的數據經常存儲為兩種格式：堆疊格式或記錄格式。在堆棧格式中，針對每個主題（subject）在適用情況下有多個橫行，故而也稱為「長」格式。在記錄格式中，針對每個主題典型地有一個橫行，故而也稱為「寬」格式。在這個例子中，如果要對每個唯一的變量（'A', 'B', 'C', 'D'）進行時間序列運算，更好的表示形式為：諸縱列都對應唯一的變量（即對應不同的觀測地點或觀測者），而日期索引（'date'）標識出每個（不可細分的）個體觀測。為此使用pivot()，將數據幀從堆疊格式重製形狀為記錄格式： 

>>> df.drop([0, 4, 8]).pivot(index='date', columns='variable')
           value                 value1                
variable       A    B    C     D      A    B    C     D
date                                                   
2023-01-01   NaN  3.1  6.1   9.1    NaN  3.2  6.2   9.2
2023-01-02   1.1  NaN  7.1  10.1    1.2  NaN  7.2  10.2
2023-01-03   2.1  5.1  NaN  11.1    2.2  5.2  NaN  11.2
>>>

這裡給pivot()的輸入數據幀的諸縱列中，除了指定用作index和columns的縱列（'date'和'variable'），仍有多個值縱列（'value', 'value1'）；這裡沒有通過指定values參數來選取其中之一，故而結果數據幀的諸縱列被納入層級式索引（即多重索引MultiIndex），其最頂層指示出各自的值縱列（即依據觀測量的不同而進行頂層分組）。

使用concat()和merge()，對數據幀進行串接（英語：Set operations (SQL)）和歸併運算： 

>>> df1 = df.drop(columns='value').rename(columns={'value1': 'value'})
>>> df1 = pd.concat([df.drop(columns='value1'), df1], ignore_index=True)
>>> df1.shape
(24, 3)
>>> 
>>> data1 = [
...     ('A', pd.Timestamp('2023-01-01'), 0.3),
...     ('A', pd.Timestamp('2023-01-02'), 1.3)
... ]
>>> 
>>> rows = pd.DataFrame(data1, columns=['variable', 'date', 'value'])
>>> pd.concat([df1, rows], ignore_index=True).tail(3)
   variable       date  value
23        D 2023-01-03   11.2
24        A 2023-01-01    0.3
25        A 2023-01-02    1.3
>>> 
>>> right = pd.DataFrame(data1[0:1], columns=['variable', 'date', 'value1'])
>>> pd.merge(df1, right, on=['variable', 'date'], how='inner')
  variable       date  value  value1
0        A 2023-01-01    0.1     0.3
1        A 2023-01-01    0.2     0.3
>>>

使用groupby()和agg()，對數據幀進行分組（英語：Group by (SQL)）和聚合（英語：Aggregate function）運算： 

>>> df2 = df1.groupby(['date', 'variable']).agg({'value': 'sum'})
>>> df2
                     value
date       variable       
2023-01-01 A           0.3
           B           6.3
           C          12.3
           D          18.3
2023-01-02 A           2.3
           B           8.3
           C          14.3
           D          20.3
2023-01-03 A           4.3
           B          10.3
           C          16.3
           D          22.3
>>> 
>>> df2.shape
(12, 1)
>>> 
>>> df2.index
MultiIndex([('2023-01-01', 'A'),
            ('2023-01-01', 'B'),
            ('2023-01-01', 'C'),
            ('2023-01-01', 'D'),
            ('2023-01-02', 'A'),
            ('2023-01-02', 'B'),
            ('2023-01-02', 'C'),
            ('2023-01-02', 'D'),
            ('2023-01-03', 'A'),
            ('2023-01-03', 'B'),
            ('2023-01-03', 'C'),
            ('2023-01-03', 'D')],
           names=['date', 'variable'])
>>> 
>>> df2.columns
Index(['value'], dtype='object')
>>> 
>>> df2.loc[('2023-01-02', 'A')]
value    2.3
Name: (2023-01-02 00:00:00, A), dtype: float64
>>> 
>>> df2.loc['2023-01-02']
          value
variable       
A           2.3
B           8.3
C          14.3
D          20.3
>>> 
>>> df2.xs('A', level='variable')
            value
date             
2023-01-01    0.3
2023-01-02    2.3
2023-01-03    4.3
>>>

使用pivot_table()，對數據幀進行樞軸匯總運算： 

>>> df3 = df1.pivot_table(index='date', columns='variable', aggfunc='sum')
>>> df3
           value                  
variable       A     B     C     D
date                              
2023-01-01   0.3   6.3  12.3  18.3
2023-01-02   2.3   8.3  14.3  20.3
2023-01-03   4.3  10.3  16.3  22.3
>>> 
>>> df3.shape
(3, 4)
>>> 
>>> df3.to_numpy()
array([[ 0.3,  6.3, 12.3, 18.3],
       [ 2.3,  8.3, 14.3, 20.3],
       [ 4.3, 10.3, 16.3, 22.3]])
>>> 
>>> df3.index
DatetimeIndex(['2023-01-01', '2023-01-02', '2023-01-03'], dtype='datetime64[ns]', name='date', freq=None)
>>> 
>>> df3.columns
MultiIndex([('value', 'A'),
            ('value', 'B'),
            ('value', 'C'),
            ('value', 'D')],
           names=[None, 'variable'])
>>> 
>>> df1.pivot_table(index='date', columns='variable', values='value', aggfunc='sum').columns
Index(['A', 'B', 'C', 'D'], dtype='object', name='variable')
>>> 
>>> df3['value'].columns
Index(['A', 'B', 'C', 'D'], dtype='object', name='variable')
>>> 
>>> df3[('value', 'A')]
date
2023-01-01    0.3
2023-01-02    2.3
2023-01-03    4.3
Name: (value, A), dtype: float64
>>>
 
例子代碼生成的條形圖。

用matplotlib為數據幀繪製條形圖： 

>>> ax = df3.plot.bar()
>>> h, l = ax.get_legend_handles_labels()
>>> ax.legend(h, df3.columns.get_level_values(1), title=None, loc='upper left')
<matplotlib.legend.Legend object at 0x7fdd1cff96d0>
>>> ax.set_xticklabels([x.strftime('%Y-%m-%d') for x in df3.index], rotation=0)
[Text(0, 0, '2023-01-01'), Text(1, 0, '2023-01-02'), Text(2, 0, '2023-01-03')]
>>> ax.get_xaxis().get_label().set_visible(False)
>>> ax.grid(axis='y', linestyle=':')
>>> ax.set_axisbelow(True)
>>> for i, m in enumerate(ax.containers):
...     for j, n in enumerate(m.get_children()):
...         n.set_x(j - 0.8*(0.5 - i/df3.columns.size))
...         n.set_width(0.8/df3.columns.size)          
...     ax.bar_label(m, fontsize='small')
... 
[Text(0, 0, '0.3'), Text(0, 0, '2.3'), Text(0, 0, '4.3')]
[Text(0, 0, '6.3'), Text(0, 0, '8.3'), Text(0, 0, '10.3')]
[Text(0, 0, '12.3'), Text(0, 0, '14.3'), Text(0, 0, '16.3')]
[Text(0, 0, '18.3'), Text(0, 0, '20.3'), Text(0, 0, '22.3')]
>>> plt.show()
>>>

導出和導入CSV文件： 

>>> df3.to_csv('dftest.csv', float_format='%.1f')
>>> 
>>> df4 = pd.read_csv('dftest.csv', header=[0, 1], index_col=0)
>>> df4.shape
(3, 4)

這裡的標頭（header）指定用作縱列名字的橫行，而索引列（index_col）指定用作索引（index）即橫行標籤的縱列。

使用util-linux工具組成員column來查看導出的CSV文件： 

$ cat dftest.csv | column -s, -o, -t 
          ,value,value,value,value
variable  ,A    ,B    ,C    ,D
date      ,     ,     ,     ,
2023-01-01,0.3  ,6.3  ,12.3 ,18.3
2023-01-02,2.3  ,8.3  ,14.3 ,20.3
2023-01-03,4.3  ,10.3 ,16.3 ,22.3

導出和導入JSON文件： 

>>> df3.to_json('dftest.json', orient='index', date_format='iso', date_unit='s')
>>> 
>>> df4 = pd.read_json('dftest.json', orient='index')
>>> df4.shape
(3, 4)
>>> 
>>> df4.columns
Index(['('value', 'A')', '('value', 'B')', '('value', 'C')', '('value', 'D')'], dtype='object')
>>> 
>>> df4.columns = pd.MultiIndex.from_tuples([eval(x) for x in df4.columns])
>>> df4.index.name = df3.index.name
>>> df4.columns.name = df3.columns.name

這裡指定了方向（orient）為索引（'index'），即採用橫行為主（英語：Row- and column-major order）次序；這裡指定了日期時間格式為ISO 8601標準格式，並且時間單位為秒。

使用jq語言實現jq來查看導出的JSON文件： 

$ cat dftest.json | jq
{
  "2023-01-01T00:00:00": {
    "('value', 'A')": 0.3,
    "('value', 'B')": 6.3,
    "('value', 'C')": 12.3,
    "('value', 'D')": 18.3
  },
  "2023-01-02T00:00:00": {
    "('value', 'A')": 2.3,
    "('value', 'B')": 8.3,
    "('value', 'C')": 14.3,
    "('value', 'D')": 20.3
  },
  "2023-01-03T00:00:00": {
    "('value', 'A')": 4.3,
    "('value', 'B')": 10.3,
    "('value', 'C')": 16.3,
    "('value', 'D')": 22.3
  }
}

導出和導入HDF5文件基於了PyTables[19]： 

>>> df3.to_hdf('dftest.h5', key='df3', mode='w')
>>> 
>>> df4 = pd.read_hdf('dftest.h5', key='df3')
>>> df4.shape
(3, 4)

這裡通過鍵（key）參數，指定了與數據幀相對應的在HDF5文件中的群組（Group），對它採用了缺省的固定（'fixed'）存儲格式，而文件打開模態'w'是為「寫」（write）即「新建」。

使用hdf5-tools工具組成員h5ls來查看導出的HDF5文件： 

$ h5ls -r -d dftest.h5
/                        Group
/df3                     Group
/df3/axis0_label0        Dataset {4}
    Data:
         0, 0, 0, 0
/df3/axis0_label1        Dataset {4}
    Data:
         0, 1, 2, 3
/df3/axis0_level0        Dataset {1}
    Data:
         "value"
/df3/axis0_level1        Dataset {4}
    Data:
         "A", "B", "C", "D"
/df3/axis1               Dataset {3}
    Data:
         1672531200000000000, 1672617600000000000, 1672704000000000000
/df3/block0_items_label0 Dataset {4}
    Data:
         0, 0, 0, 0
/df3/block0_items_label1 Dataset {4}
    Data:
         0, 1, 2, 3
/df3/block0_items_level0 Dataset {1}
    Data:
         "value"
/df3/block0_items_level1 Dataset {4}
    Data:
         "A", "B", "C", "D"
/df3/block0_values       Dataset {3, 4}
    Data:
         0.3, 6.3, 12.3, 18.3, 2.3, 8.3, 14.3, 20.3, 4.3, 10.3, 16.3, 22.3

這裡的HDF5文件中的日期時間表示，是以納秒為單位的UNIX時間紀元（英語：Epoch (computing)）時間戳。這種存儲格式保存了數據幀的兩個軸[20]和所有的塊[21]。由於這裡只有一個塊，這個塊的items的內容同於axis0，而導出前面的數據幀df之時，它的四個縱列會整合（consolidate）為三個塊，其items的併集同於axis0。

保存HDF5文件還可採用表格（'table'）格式，HDF5文件中這種存儲格式的群組，可以直接在其上進行查詢和刪除： 

>>> df3.to_hdf('dftest.h5', key='df4', format='table', mode='a')
>>> 
>>> pd.read_hdf('dftest.h5', key='df4', where='index > 20230101', columns=[('value', 'A'), ('value', 'C')])
           value      
variable       A     C
date                  
2023-01-02   2.3  14.3
2023-01-03   4.3  16.3

這裡的文件打開模態'a'是為「附加」（append）。

查看變更後的HDF5文件： 

$ h5ls dftest.h5
df3                      Group
df4                      Group
$ h5ls -r dftest.h5/df4
/_i_table                Group
/_i_table/index          Group
/_i_table/index/abounds  Dataset {0/Inf}
/_i_table/index/bounds   Dataset {0/Inf, 127}
/_i_table/index/indices  Dataset {0/Inf, 131072}
/_i_table/index/indicesLR Dataset {131072}
/_i_table/index/mbounds  Dataset {0/Inf}
/_i_table/index/mranges  Dataset {0/Inf}
/_i_table/index/ranges   Dataset {0/Inf, 2}
/_i_table/index/sorted   Dataset {0/Inf, 131072}
/_i_table/index/sortedLR Dataset {131201}
/_i_table/index/zbounds  Dataset {0/Inf}
/table                   Dataset {3/Inf}
$ h5ls -d dftest.h5/df4/table
table                    Dataset {3/Inf}
    Data:
         {1672531200000000000, [0.3,6.3,12.3,18.3]},
         {1672617600000000000, [2.3,8.3,14.3,20.3]},
         {1672704000000000000, [4.3,10.3,16.3,22.3]}

這裡的_i_table/index群組存儲了PyTables的tables.index模塊所存取的內容[22]。

導出和導入netCDF文件可以藉助xarray，它依賴於pandas，它通過netcdf4-python支持導入導出netCDF-4格式數據[23]，通過SciPy支持其他版本netCDF格式。xarray能夠在自身的數據陣列（DataArray）與pandas的序列之間，在自身的數據集（Dataset）與pandas的數據幀之間，進行相互轉換[24]： 

>>> df3.stack().shape
(12, 1)
>>> 
>>> import xarray as xr
>>> df3.stack().to_xarray().to_netcdf('dftest.nc')
>>> 
>>> df4 = xr.open_dataset('dftest.nc').to_dataframe().unstack()
>>> df4.shape
(3, 4)

使用netcdf-bin工具組成員ncdump來查看導出的netCDF文件： 

$ ncdump dftest.nc
netcdf dftest {
dimensions:
	date = 3 ;
	variable = 4 ;
variables:
	int64 date(date) ;
		date:units = "days since 2023-01-01 00:00:00" ;
		date:calendar = "proleptic_gregorian" ;
	string variable(variable) ;
	double value(date, variable) ;
		value:_FillValue = NaN ;
data:

 date = 0, 1, 2 ;

 variable = "A", "B", "C", "D" ;

 value =
  0.3, 6.3, 12.3, 18.3,
  2.3, 8.3, 14.3, 20.3,
  4.3, 10.3, 16.3, 22.3 ;
}
$ ncdump -k dftest.nc
netCDF-4
$ h5ls -r -d dftest.nc
/                        Group
/date                    Dataset {3}
    Data:
         0, 1, 2
/value                   Dataset {3, 4}
    Data:
         0.3, 6.3, 12.3, 18.3, 2.3, 8.3, 14.3, 20.3, 4.3, 10.3, 16.3, 22.3
/variable                Dataset {4}
    Data:
         "A", "B", "C", "D"

xarray的日期時間表示遵循了氣候和預報元數據約定（英語：Climate and Forecast Metadata Conventions）[25]，這裡的時間單位為距離某個指定的開始日期時間的日數，曆法為前推格里高利曆。ncdump的輸出採用了netCDF的「公用數據語言」（CDL）[26]，它所稱謂的變量，代表相同類型的值的多維陣列，變量聲明指定了變量的數據類型、名字和以維度名字列表描述的形狀。這裡有三個變量：value是數據變量，date和variable是坐標變量，而變量聲明double value(date, variable)中，轉換得來的維度名字同於坐標變量名字。

參見

編輯

引用

編輯
  1. ^ 1.0 1.1 Release 2.2.3. 2024年9月20日 [2024年9月22日]. 
  2. ^ License – Package overview – pandas 1.0.0 documentation. pandas. 28 January 2020 [30 January 2020]. （原始內容存檔於2012-02-14）. 
  3. ^ Wes McKinney. pandas: a Foundational Python Library for Data Analysis and Statistics (PDF). 2011 [2 August 2018]. （原始內容 (PDF)存檔於2015-05-13）. 
  4. ^ McKinney, Wes. Python for Data Analysis, Second Edition. O'Reilly Media. 2017: 13. ISBN 9781491957660. 
  5. ^ About pandas — History of development — Timeline. [2023-09-30]. （原始內容存檔於2023-10-10）. 
  6. ^ Python for Data Analysis, 3E. [2023-10-06]. （原始內容存檔於2023-11-07）. 
  7. ^ DataFrame. [2022-09-01]. （原始內容存檔於2022-09-01）. 
  8. ^ Indexing and selecting data. [2020-09-12]. （原始內容存檔於2020-09-15）. 
  9. ^ Merge, join, concatenate and compare. [2020-09-12]. （原始內容存檔於2020-09-15）. 
  10. ^ Reshaping and pivot tables. [2020-09-12]. （原始內容存檔於2020-09-15）. 
  11. ^ Essential basic functionality — Matching / broadcasting behavior. [2023-12-22]. （原始內容存檔於2024-04-21）. 
  12. ^ Intro to data structures — Data alignment and arithmetic. [2023-12-22]. （原始內容存檔於2022-09-01）. 
  13. ^ Working with missing data. [2023-12-22]. （原始內容存檔於2024-05-16）. 
  14. ^ IO tools (text, CSV, HDF5, …). [2020-09-12]. （原始內容存檔於2020-09-15）. 
  15. ^ McKinney, Wes. Apache Arrow and the "10 Things I Hate About pandas". wesmckinney.com. 21 September 2017 [21 December 2023]. （原始內容存檔於2024-05-25） （英語）. 
  16. ^ Python tools for data visualization — High-level tools. [2023-09-28]. （原始內容存檔於2023-09-28）. 
  17. ^ Pandas Plotting Backend in Python. 
  18. ^ DuckDB Guides — SQL on Pandas. [2023-09-29]. （原始內容存檔於2023-10-03）. 
  19. ^ PyTables: hierarchical datasets in Python. [2023-09-28]. （原始內容存檔於2023-08-24）. 
  20. ^ What does axis in Pandas mean?. [2023-12-25]. （原始內容存檔於2023-12-25）. 
  21. ^ Internal Structure of Pandas DataFrames. [2023-12-25]. （原始內容存檔於2023-12-25）. 
  22. ^ Source code for tables.index. [2023-12-25]. （原始內容存檔於2023-12-25）. 
  23. ^ netcdf4-python: Python/numpy interface to the netCDF C library. [2023-10-07]. （原始內容存檔於2023-10-12）. 
  24. ^ xarray User Guide － Working with pandas. [2022-09-04]. （原始內容存檔於2022-09-04）. 
  25. ^ NetCDF Climate and Forecast (CF) Metadata Conventions — Time Coordinate. [2023-10-09]. （原始內容存檔於2023-10-12）. 
    xarray User Guide — Weather and climate data. [2023-10-09]. （原始內容存檔於2023-10-12）. 
  26. ^ Documentation for Common Data Language. [2023-12-26]. （原始內容存檔於2024-02-06）. 

延伸閱讀

編輯

外部連結

編輯
取自「https://zh.wikipedia.org/w/index.php?title=Pandas&oldid=85316380」