Pandas库是Python最流行的数据操作库。它提供了一种通过数据框架api操纵数据的简便方法，灵感来自R的数据框架。
了解Pandas库
了解Pandas的关键之一是了解Panda主要是一系列其他Python库的包装器。主要是Numpy、SQLAlchemy、Matplotlib和openpyxl。
数据框架的核心内部模型是一系列numpy数组，而现在已弃用的“as_matrix”返回的Panda函数会形成内在表征。
Pandas利用其他库来获取数据帧和数据帧，例如，SQLAlchemy通过read_sql和to_sql函数使用。openpyxl和xlsx writer用于read_excel和to_excel函数。
Matplotlib和Seaborn使用诸如df.plot()之类的命令，提供了一个简单的接口来绘制数据帧中可用的信息。
Numpy的Pandas - 高效的Pandas
您经常听到的抱怨之一是Python速度慢或难以处理大量数据。通常情况下，这是由于编写的代码效率低下。确实，原生Python代码往往比编译代码慢，但像Panda这样的库可以有效地为Python代码提供编译代码的接口。让我们了解如何正确地与它进行交互，让我们充分利用Pandas / Python。
应用矢量化操作
与其底层库Numpy一样，Panda比执行循环更能有效地执行矢量化操作。这些效率是由于通过C编译代码执行的矢量化操作，而不是原生Python代码以及矢量化操作在整个数据集上操作的能力。
apply接口允许通过使用CPython接口进行循环来获得一些效率：
df.apply(lambda x: x['col_a'] * x['col_b'], axis=1)
但大多数性能增益都可以通过使用矢量化操作本身获得，无论是直接在Pandas中还是直接调用其内部Numpy数组。
从上图中可以看出，在使用矢量化操作（3.53ms）处理和使用Apply进行加法（27.8s）循环之间，性能差异可能非常大。通过直接调用numpy的数组和API可以获得额外的效率，例如：
Swifter：Swifter是一个Python库，可以很容易地在数据帧上对不同类型的操作进行矢量化，其API与Apply函数的API非常相似。
通过DTYPES高效地存储数据
当将数据帧加载到内存中时，无论是通过read_csv，还是read_excel或其他一些数据帧读取函数，SQL都会进行类型推断，这可能被证明是低效的。这些API允许您显式指定每列的类型，也允许在存储器中更有效地存储数据。
df.astype({'testColumn': str, 'testCountCol': float})
Dtypes是Numpy的原生对象，它允许您定义用于存储某些信息的确切类型和位数。
Numpy的dtype np.dtype（'int32'）表示一个32位长的整数。 Pandas默认为64位整数，我们可以使用32位节省一半的空间：
memory_usage（）显示每列使用的字节数，因为每列只有一个条目（行），每个int64列的大小为8字节，int32为4字节。
Pandas还引入了分类dtype，它允许对频繁出现的值进行有效的内存利用。在下面的示例中，当我们将字段transition_date转换为分类值时，我们可以看到字段mailing_date的内存利用率降低了28倍。
在我们的示例中，只需更改此数据类型，数据框的总体大小就会下降3倍以上：
使用正确的dtypes不仅可以处理内存中较大的数据集，它还使一些计算变得更有效。在下面的示例中，我们可以看到使用分类类型为groupby / sum操作带来了3倍的速度提升。
在Pandas中，您可以在数据加载（read_）期间定义dtypes或作为类型转换（astype）定义dtypes。
CyberPandas：CyberPandas是不同的库扩展之一，它通过支持ipv4和ipv6数据类型，并有效地存储它们来实现更丰富的数据类型。
使用块处理大型数据集
Pandas允许通过块加载数据帧中的数据，因此可以将数据帧作为迭代器处理，并且能够处理大于可用内存的数据帧。
在读取数据源时定义chunksize和get_chunk方法的组合允许Pandas将数据作为迭代器进行处理。例如，在上面所示的示例中，数据帧每次读取2行。然后可以通过以下方式迭代这些块：
i = 0
for a in df_iter:
# do some processing chunk = df_iter.get_chunk()
i += 1
new_chunk = chunk.apply(lambda x: do_something(x), axis=1)
new_chunk.to_csv("chunk_output_%i.csv" % i )
然后可以将其输出提供给csv文件、pickle，导出到数据库等...
通过块设置操作符还允许通过多处理来执行某些操作。
Dask：它是一个建立在Pandas之上的框架，它构建了多处理和分布式处理。它利用内存和磁盘上的Pandas数据帧集合。
SQL Alchemy的Pandas - 数据库Panda
Pandas也建立在SQLAlchemy之上，用于与数据库连接，因此它能够从不同的SQL类型的数据库下载数据集并将记录推送到数据库。使用SQLAlchemy接口（而不是使用Pandas API）直接允许我们执行Pandas本身不支持的某些操作，例如事务或upsert：
SQL 事务
Pandas还可以使用SQL事务，处理提交和回滚。Pedro Capelastegui在他的一篇博客文章中解释说，Pandas如何通过SQLAlchemy上下文管理器利用事务。
with engine.begin() as conn: df.to_sql( tableName, con=conn, ... )
如果数据加载失败，使用SQL事务的优点是事务将回滚。
SQL扩展
PandaSQL
Pandas有一些SQL扩展，例如pandasql，它允许在数据帧之上执行SQL查询。通过pandasql，可以直接查询数据框对象，就好像它们是数据库表一样。
SQL 插入
在支持此功能的数据库上，Panda本身不支持对SQL的upsert导出。 Pandas的补丁允许此功能。
MatplotLib / Seaborn - 视觉Pandas
Matplotlib和Seaborn可视化已经集成在一些数据帧API中，例如通过.plot命令。在pandas网站上有一个相当全面的文档介绍了该接口的工作原理。
扩展：存在不同的扩展，例如Bokeh和可在Jupyter笔记本中提供交互式可视化的plotly，同时还可以扩展matplotlib来处理3D图形。
其他扩展
还存在很多其他的Pandas扩展，它们可以处理非核心功能。其中一个是tqdm，它为某些操作提供了进度条功能，另一个是PrettyPandas，它允许格式化数据帧并添加摘要信息。
tqdm
tqdm是Python中与Pandas交互的进度条扩展，它允许用户在使用相关函数（progress_map和progress_apply）时查看地图的进度并对Panda数据帧应用操作：
PrettyPandas
PrettyPandas是一个库，它提供了一种简单的方法来格式化数据框并向其添加表摘要：