En el corazón de la biblioteca Pandas se encuentra el data frame, lo que hace que el uso del marco Pandas sea interoperable desde un punto de vista de desarrollo de habilidades. No solo será valioso aprender los métodos en Pandas dentro de Python, sino que también puedes transferir rápidamente tu conocimiento del marco a R o incluso a Spark (para aplicaciones de big data). Además, el propio marco implementado en Python es beneficioso para el análisis de datos, proporcionando numerosas funciones auxiliares en el objeto data frame, que incluyen métodos de agregación, métodos de cálculo estadístico estándar y funcionalidad útil de unión/fusión y segmentación que probablemente todos los analistas de datos utilizarán. Además, está construido sobre Numpy para facilitar la transferencia entre esos tipos para trabajos más pesados/actuales o incluso elevarlo a un nivel más alto de abstracción para trabajos de visualización de datos/comunicaciones/análisis.

Para realizar operaciones matemáticas Propósito de análisis

Implementaciones optimizadas listas para cálculos estadísticos básicos como medidas de tendencia central y cuantiles.