Au cœur de la bibliothèque Pandas se trouve le data frame, qui rend l'utilisation du cadre Pandas interopérable d'un point de vue développement des compétences. Non seulement l'apprentissage des méthodes dans Pandas sera précieux au sein de Python, mais vous pouvez rapidement transférer vos connaissances du cadre vers R ou même Spark (pour les applications de big data). De plus, le cadre lui-même implémenté en Python est bénéfique pour l'analyse de données, fournissant de nombreuses fonctions d'assistance sur l'objet data frame, qui incluent des méthodes d'agrégation, des méthodes de calcul statistique standard, et des fonctionnalités pratiques de jointure/fusion et de sous-ensemble que tous les analystes de données utiliseront probablement. En plus de cela, il est construit sur Numpy pour une transition facile entre ces types pour un travail plus intensif/réel ou même pour le pousser à un niveau d'abstraction supérieur pour plus de travail de visualisation/communication/analyse de données.

Pour effectuer des opérations mathématiques À des fins d'analyse

Optimisé prêt pour les calculs statistiques de base comme les mesures de tendance centrale et les quantiles.