Panda dalam Python: Apa itu, untuk kegunaannya, dan cara menguasainya sepenuhnya

Pandas telah menjadi salah satu alat yang paling penting bagi mereka yang bekerja dengan data dalam Python. Pustaka ini, yang dicipta untuk manipulasi dan analisis data, telah merevolusikan cara saintis data, penganalisis, pembangun, dan juga penggemar mendekati data jadual dalam Python. Jika anda pernah mempertimbangkan untuk menganalisis fail Excel, membersihkan set data yang besar atau mencipta visualisasi yang berkuasa, anda mungkin pernah mendengar tentang Panda, atau anda akan melakukannya tidak lama lagi.

Memahami Panda secara mendalam, cara ia berfungsi secara dalaman dan semua kemungkinan yang ditawarkannya, boleh membuka banyak pintu untuk anda dalam dunia sains data, kejuruteraan dan pengaturcaraan moden. Sama ada anda seorang pemula atau sudah mengusahakan projek yang kompleks, membiasakan diri dengan perpustakaan ini merupakan langkah penting. Artikel ini direka bentuk untuk menjadi panduan intensif, merangkumi segala-galanya daripada asal-usul dan prinsip asasnya kepada operasi dan teknik yang paling maju. Di sini, kami bukan sahaja menjawab 'apa itu panda', tetapi anda juga akan menemui kegunaannya, cara ia berintegrasi ke dalam ekosistem Python, komponen dalamannya, contoh penggunaan, petua untuk memanfaatkannya sepenuhnya dan banyak lagi.

Apakah Panda?

Pandas ialah perpustakaan sumber terbuka yang dibangunkan khusus untuk manipulasi dan analisis data dalam PythonNamanya berasal daripada singkatan "Data Panel", istilah biasa dalam ekonometrik yang merujuk kepada set data yang mempunyai kedua-dua dimensi temporal dan keratan rentas. Diinspirasikan sebahagiannya oleh keupayaan bahasa R dan hamparan ExcelPandas menyediakan struktur data seperti jadual yang teguh dengan kebolehubahan, sistem pengindeksan yang sangat fleksibel dan fungsi lanjutan yang membenarkan segala-galanya daripada operasi mudah kepada analisis statistik yang kompleks.

Wes McKinney menciptanya pada tahun 2008 untuk menangani kekurangan alat yang cekap untuk mengurus data jadual dalam ekosistem Python. Sejak itu, Pandas Ia telah berkembang pesat dan kini diselenggara oleh komuniti pembangun yang besar, sebahagiannya ditaja oleh organisasi NumFOCUS. Ia tidak dinafikan merupakan salah satu asas timbunan sains data Python, bersama-sama perpustakaan lain seperti NumPy, Matplotlib, SciPy dan Scikit-learn.

Sebab untuk menggunakan Panda: Mengapa ia begitu popular?

Mengapakah Panda begitu popular dalam kalangan profesional dan pelajar data? Jawapannya terletak pada keupayaan mereka untuk memudahkan apa yang secara tradisinya rumit. Ia membolehkan anda mengubah, membersihkan, menganalisis dan memodelkan maklumat dengan sintaks yang intuitif dan elegan.Perpustakaan ini sangat cekap untuk mengendalikan jumlah data yang besar, dan matriks utamanya, DataFrame, adalah serupa dengan hamparan Excel, tetapi jauh lebih berkuasa.

Antara kelebihan utamanya ialah:

• Kesederhanaan dalam manipulasi data: Fail dalam format seperti CSV, Excel, SQL, JSON, HTML, XML dan lain-lain boleh dibaca dan ditulis dengan mudah.
• Fleksibiliti dalam struktur: Membolehkan anda mengakses data mengikut nama atau indeks, menapis, mengumpulkan, mengisih dan mengubah set data yang besar dengan mudah.
• Prestasi yang sangat tinggiSecara dalaman, ia dioptimumkan dengan bahagian kritikal dalam C dan Cython, mencapai pemprosesan yang cekap bagi jumlah maklumat yang besar.
• Integrasi luasIa mudah disepadukan dengan alat Python lain seperti NumPy, Matplotlib, atau sistem Pembelajaran Mesin seperti Scikit-learn.
• Dokumentasi dan komunitiPandas mempunyai dokumentasi rasmi yang sangat baik, komuniti yang aktif dan banyak sumber (kursus, tutorial, forum dan repositori). Malah repositori rasminya di GitHub Ia adalah salah satu tapak Python yang paling banyak dikunjungi di dunia.

Aplikasi Panda di dunia nyata

Penggunaan Panda merangkumi hampir semua keperluan moden yang berkaitan dengan analisis data:

• Membersih dan memproses data kotor: Menggantikan nilai yang salah, mengalih keluar pendua, menormalkan lajur, mengubah jenis, mengurus nilai yang hilang (NaN).
• Analisis Data Penerokaan (EDA)Statistik deskriptif, visualisasi pantas, ringkasan dan perbandingan.
• Sokongan untuk pembelajaran mesinNormalisasi, penskalaan, pemilihan ciri, penjanaan latihan dan set ujian.
• Pertanyaan kompleks dan penapisan maklumat: Pemilihan mengikut berbilang syarat, pengelompokan, transformasi "on the fly".
• Integrasi dengan pangkalan data dan sistem lainMemudahkan membaca dan menulis SQL, penyepaduan dengan API dan sistem luaran.
• Visualisasi lanjutan: Melalui penyepaduannya dengan Matplotlib, Seaborn dan rangka kerja grafik yang lain.
• Pengikisan web dan perbalahan dataMembaca dan memproses kandungan yang diekstrak daripada web dalam format HTML, XML atau JSON.
• Memproses volum besar data dan data besarWalaupun kerja utamanya dikaitkan dengan pemprosesan dalam memori, terdapat sambungan dan teknik untuk bekerja dengan set data yang besar.

Kepentingan Panda dalam Sains Data dan pembangunan profesional

Pandas ialah kemahiran yang bernilai tinggi dan dalam permintaan untuk syarikat dalam semua sektorDaripada sektor kewangan kepada industri runcit, termasuk syarikat permulaan teknologi, penjagaan kesihatan, penyelidikan dan logistik, banyak majikan menganggap kecekapan Panda sebagai keperluan asas untuk peranan seperti saintis data, penganalisis, jurutera data, pembangun AI dan ramai lagi.

Menguasai Panda membuka pintu untuk mengusahakan projek yang data menjadi tumpuan utama, sama ada untuk pelaporan, memberi makan sistem pembelajaran mesin, membangunkan papan pemuka, mengautomasikan laporan atau memacu pembuatan keputusan berasaskan data.

Komponen utama Panda: Siri dan DataFrame

Asas Pandas ialah dua struktur data utama: Siri dan DataFrame.

Struktur Siri

Siri ialah tatasusunan satu dimensi dengan label (indeks) yang boleh menyimpan sebarang jenis data: integer, apungan, rentetan, tarikh, objek dan juga tatasusunan lain. Setiap elemen dikaitkan dengan indeks, yang boleh sama ada angka atau rentetan. Siri ini menggabungkan pelbagai fungsi untuk penapisan, pengelompokan, penerangan statistik dan transformasi data peringkat vektor.

• Bagaimanakah satu siri dicipta? Mudah, menggunakan senarai, tatasusunan NumPy, kamus Python, atau data yang dijana secara dinamik.
• Atribut penting: size (bilangan unsur), index (indeks), dtype (jenis data), antara lain.
• Akses dan operasiAnda boleh mengakses mengikut kedudukan (iloc) atau mengikut label (loc), bahagikan dan tapis dengan menggunakan topeng boolean, isih, keluarkan nilai nol (NaN), gunakan fungsi pada setiap elemen dan juga melaksanakan operasi vektor dengan sangat cekap.
• Ringkasan statistik dan fungsi pengagregatan: count, sum, min, max, mean, std, describe (mengekstrak maklumat yang berkaitan seperti min, kuartil atau sisihan piawai).

Struktur DataFrame

DataFrame ialah permata mahkota Pandas: struktur dua dimensi (serupa dengan helaian Excel atau jadual pangkalan data) yang terdiri daripada baris dan lajur, di mana setiap lajur itu sendiri adalah Siri dan baris boleh mewakili pemerhatian, rekod atau sebarang jenis entiti lain.

• Mencipta DataFrames yang fleksibelAnda boleh menciptanya daripada kamus, senarai senarai, tatasusunan NumPy, senarai kamus, CSV, fail Excel atau sumber luaran (SQL, JSON, HTML, antara lain).
• Atribut dan kaedah biasa: info() (maklumat am tentang DataFrame), shape (dimensi), size (bilangan unsur), columns (nama lajur), index (indeks baris), dtypes (jenis data setiap lajur), head() y tail() (pandangan pantas), describe() (ringkasan statistik), dsb.
• Akses kepada elemenAnda boleh memilih lajur seolah-olah ia adalah atribut (df.nombre_columna) atau menggunakan kurungan segi empat sama (df), pilih baris mengikut indeks (iloc) atau dengan nama (loc), ekstrak subset, penapis, isih baris dan lajur, dsb.
• Pengurusan indeks: Tukar indeks baris dengan mudah, susun semula, indeks semula dan ubah suai nama lajur dan baris.
• Operasi lanjutan: Data kumpulan (groupby), pangsi dan penstrukturan semula (melt y pivot), menggabungkan atau menggabungkan DataFrames yang berbeza, menambah/memadam baris dan lajur, mengubah jenis dan banyak lagi.
• Import dan eksport: read_csv, read_excel, read_json, read_html, to_csv, to_excel, to_json...
• Sokongan untuk data dengan tarikhPenukaran automatik lajur kepada taip datetime dan pengurusan siri masa yang fleksibel.

Struktur Panel (usang)

Versi sebelumnya Panda termasuk struktur Panel untuk data tiga dimensi, tetapi ia telah ditamatkan dalam versi semasa. Hari ini, adalah disyorkan untuk menggunakan DataFrames hierarki (berbilang indeks) untuk mengurus data berdimensi lebih tinggi.

Operasi penting dengan Panda: dari hari ke hari kepada analisis lanjutan

Panda bukan sahaja membenarkan anda mencipta dan menggambarkan jadual yang cantik, tetapi juga membolehkan anda mengubah, membersihkan, menganalisis dan memperoleh maklumat penting daripada data. Mari kita lihat operasi yang paling biasa dan juga beberapa contoh penggunaan:

Membaca dan menulis fail

• Membaca: read_csv() untuk CSV, read_excel() untuk Excel, read_sql() untuk pangkalan data, read_json(), read_html()dll. Ia menyokong pilihan penyesuaian untuk indeks, jenis data, nilai nol, pemisah, pengekodan, dsb.
• Eksport: to_csv() untuk CSV, to_excel() untuk Excel, to_sql(), to_json(), to_html(), eksport terpilih lajur, baris, dsb.

Pemilihan dan penapisan data

• Pilih lajur: Contohnya df o df.columna.
• Pilih baris: Melalui iloc (mengikut kedudukan) dan loc (mengikut indeks/label).
• Penapisan bersyarat: Penggunaan topeng Boolean, gabungan dengan pengendali logik (&, |), pelbagai pilihan, carian nilai, dsb.

Mengendalikan data nol dan pendua

• Pengesanan dan pengurusan NaN: isnull(), dropna(), fillna() dan sebagainya
• Penghapusan pendua: drop_duplicates() mengikut lajur atau baris.

Mengisih dan mengindeks semula

• Isih nilai: Usa sort_values() untuk mengisih mengikut nilai lajur (meningkat atau menurun).
• Isih indeks: sort_index().
• Pengindeksan semula yang fleksibel: reindex() untuk menyusun semula baris dan lajur, mengisi jurang, menambah/mengalih keluar indeks, dsb.

Pengagregatan dan pengelompokan data

• Kumpulan mengikut kategori: Penggunaan groupby() untuk mengira purata, jumlah, kiraan, sisihan, minimum/maksimum, dan menggunakan fungsi untuk setiap kumpulan.
• Fungsi tambahan: mean(), count(), sum(), agg() (membolehkan menggunakan beberapa fungsi secara selari), dsb.

Transformasi dan operasi pada lajur atau baris

• Lajur baharu: Mengubah, menggabungkan dan menjana ciri baharu daripada yang sedia ada.
• Gunakan fungsi tersuai: dengan apply() y map() Anda boleh menjalankan sebarang fungsi pada keseluruhan baris atau lajur.
• Operasi matematik bervektor: Penambahan, penolakan, pendaraban, modulo, dsb., dengan sangat cekap dan pantas.

Penapisan dan pemilihan lanjutan

Pandas membolehkan anda menapis data dengan ketepatan, menggunakan berbilang kriteria, senarai carian, ungkapan biasa, julat, berbilang indeks... semuanya supaya anda boleh mendapatkan hanya bahagian tertentu data yang anda minati dengan hanya beberapa baris kod.

Pivoting dan penstrukturan semula data

• Tukar antara format lebar dan panjang: Dengan Menggunakan melt() y pivot().
• Perubahan bentuk dinamik: Tambah, padam dan ubah suai baris dan lajur sepanjang analisis.

Gabungan beberapa DataFrames

• penyatuan: concat() untuk digabungkan mengikut baris atau mengikut lajur, sesuai untuk menambah beberapa set data.
• Gabung: merge() Ia membolehkan anda melakukan gabungan jenis SQL antara DataFrames yang berbeza menggunakan satu atau lebih medan utama (kiri, kanan, dalam, luar).

Memadam baris dan lajur

• Padamkan lajur: dengan del o pop().
• Padamkan baris: Dengan Menggunakan drop() pada indeks tertentu.

Penggunaan tarikh dan siri masa

• Penukaran kepada datetime: to_datetime() Ia membolehkan anda mengubah rentetan menjadi tarikh, menjadikannya lebih mudah untuk bekerja dengan siri masa.
• Penjanaan dan manipulasi tarikh dan tempoh: Pandas mampu mengendalikan julat tarikh, pensampelan semula, perubahan kekerapan dan operasi analisis masa biasa.

Aplikasi fungsi pengagregatan tersuai

Kefungsian untuk mencipta fungsi anda sendiri dan menggunakannya pada kumpulan atau keseluruhan DataFrame menggunakan applyAnda boleh memproses teks, mengendalikan outlier, mengubah siri masa dan banyak lagi.

Statistik dan ringkasan pantas

• Fungsi ringkasan: describe() (nombor atau kategori), value_counts(), count()... antara lain. Penting untuk mendapatkan gambaran jadual kerja sepintas lalu.
• Jadual korelasi dan kovarians: corr(), cov() untuk analisis hubungan antara pembolehubah.

Visualisasi data dalam Panda

Pandas menggabungkan integrasi dengan Matplotlibmembolehkan anda membuat carta terus daripada DataFrames dan SiriAnda boleh memaparkan histogram, carta bar, plot serakan, graf garis, plot kotak dan misai, antara lain. Ini dilakukan menggunakan kaedah plot() menunjukkan jenis graf dengan hujah jenis.

• Contoh mudah: df.plot(kind='hist')

Ini boleh digabungkan dengan perpustakaan lain seperti Laut Laut untuk mewakili data statistik yang lebih kompleks.

Pandas vs. Excel: Kelebihan dan Had

Ramai pengguna datang ke Pandas dari Excel mengharapkan untuk mencari sesuatu yang serupa, tetapi Pandas pergi lebih jauh. Walaupun Excel sangat berkuasa dan popular, Ia mempunyai had pada baris dan lajur. (hanya lebih sejuta baris setiap helaian), dan bekerja dengan makro dan volum besar boleh menjadi sukar atau perlahan. Panda, sebaliknya, hanya dihadkan oleh kapasiti memori mesin anda, membolehkan anda mengendalikan set data yang lebih besar dan menggunakan logik yang lebih canggih dan boleh automatik. Tambahan pula, Pandas adalah perisian sumber terbuka percuma, menghapuskan lesen yang mahal dan membuka pintu kepada penyesuaian aliran kerja.

Mengintegrasikan Panda dengan perpustakaan dan persekitaran pembangunan lain

Panda bersinar apabila bekerja bersama kedai buku khusus lain.

• numPy: Banyak operasi secara dalaman menggunakan tatasusunan NumPy, menjadikannya pasangan yang tidak dapat dipisahkan untuk manipulasi data yang cekap. Anda boleh mengetahui lebih lanjut tentang Apakah NumPy?.
• Matplotlib dan Seaborn: Untuk paparan grafik lanjutan.
• Scikit-belajar: Dalam penciptaan aliran kerja Pembelajaran Mesin dan prapemprosesan data (prapemprosesan, transformasi, dsb.). Tambahan pula, jika anda ingin mendalami Pembelajaran Mesin, anda boleh berunding Apa itu scikit-learn?.
• Buku Nota Jupyter dan Google Colab: Panda biasanya digunakan dalam sel buku nota interaktif, membolehkan anda mengulangi data dan melihat hasilnya dalam masa nyata. Ia memudahkan prototaip pantas, penyelidikan, dan penciptaan laporan yang boleh diterbitkan semula.
• Persekitaran Data Besar: Walaupun Pandas memproses dalam RAM, kerja sedang dijalankan (dengan projek seperti Dask atau modin) untuk melanjutkan sintaksnya untuk kerja teragih dengan jumlah maklumat yang besar.

Pemasangan dan langkah pertama dengan Panda

Memasang Panda adalah sekeping kek. Cara paling mudah ialah melalui pengurus pakej. pip dari terminal:

pip install pandas

Tetapi jika anda sudah mempunyai ekosistem Anaconda (Sangat disyorkan untuk Sains Data), Panda disertakan secara lalai bersama-sama dengan sedozen perpustakaan berguna. Jika tidak, anda boleh memasangnya melalui pip selepas memasang Python, memastikan (jika anda mempunyai lebih daripada satu cakera keras) bahawa persekitaran Python dan pakej terletak pada cakera yang sama.

Contoh dunia sebenar: dari 0 hingga 100 dengan Panda

Untuk memahami cara analisis biasa dengan Panda bermula, berikut ialah urutan langkah ringkas yang sering diulang dalam kehidupan sebenar:

1. Import perpustakaan (diperlukan):

   import pandas as pd

2. Muatkan data: Daripada fail CSV, fail Excel, pangkalan data, dsb.

   df = pd.read_csv('mi_archivo.csv')

3. Terokai data:

   df.info()

   df.head(5)

   df.describe()

4. Tapis, ubah, bersihkan: Mengalih keluar nilai nol, menormalkan teks, menukar jenis data…

   df = df.dropna()

   df = df.str.lower()

5. Analisis dan visualisasi lanjutan: Kumpulan, pangsi, graf, hasil eksport, sepadukannya ke dalam model ML.

Ciri teknikal lanjutan Pandas

• Sokongan untuk pengindeksan hierarki: Ia membolehkan bekerja dengan data berbilang dimensi dalam struktur dua dimensi menggunakan MultiIndex.
• Pembahagian menegak dan mendatar (menghiris dan memotong dadu): Penapisan lanjutan mengikut teg dan julat.
• Sisipan dinamik dan pemadaman lajur: Anda boleh menambah, memadam dan menyusun semula mana-mana lajur atas permintaan.
• Keserasian fungsi tetingkap: Purata anjakan, jumlah dan operasi statistik bergerak, berguna dalam siri masa.
• Kod yang dioptimumkan: Penggunaan intensif C dan Cython pada titik kritikal untuk memastikan masa tindak balas yang optimum dengan volum yang besar.
• Boleh dikembangkan dan disesuaikan: Anda boleh mencipta jenis data berprestasi tinggi, transformasi, paip dan fungsi anda sendiri.

Ralat dan had biasa semasa menggunakan Panda

Walau bagaimanapun hebatnya Panda, terdapat kesilapan biasa yang biasa dilakukan oleh pengguna pemula (dan sesetengah pengguna lanjutan):

• Tidak mengoptimumkan memori: Bekerja dengan set data yang sangat besar tanpa menukar jenis lajur boleh memenuhi RAM dan memperlahankan analisis.
• Indeks dan kedudukan mengelirukan: Penggunaan yang salah iloc y loc Ia boleh menghasilkan hasil yang tidak dijangka.
• Tukar semuanya kepada DataFrame: Terdapat tugas yang mana struktur lain (tatasusunan NumPy, senarai) lebih cekap.
• Jangan semak nilai nol atau pendua: Ini boleh mengubah keputusan analisis dan model.

Adalah penting untuk menyemak dokumentasi rasmi dan banyak mencuba. Amalan menjadikan sempurna.

Kes penggunaan Panda yang berkaitan

• Pemprosesan data dalam syarikat: Syarikat seperti Netflix, Google, Airbnb dan Facebook menggunakan Panda untuk analisis dalaman dan untuk menyuap sistem maklumat, papan pemuka dan proses automatik.
• Penyiasatan saintifik: Panda adalah asas untuk saintis dan jurutera data dalam semua bidang (biologi, astronomi, ekonomi, perubatan, fizik…)
• Pendidikan dan latihan vokasional: Ia termasuk dalam beratus-ratus program sarjana, bootcamp dan kursus sains data. Penguasaan Panda adalah keperluan untuk mendapatkan pensijilan yang berkaitan dan menunjukkan kecekapan profesional.
• Data Terbuka dan ketelusan: Ia adalah alat bintang untuk mereka yang bekerja dengan data terbuka, statistik kerajaan, kewartawanan data, dsb.

Latihan, sumber dan komuniti

• Dokumentasi rasmi: Akses untuk panduan, API dan contoh di semua peringkat.
• Repositori kod, cabaran dan buku nota: Tapak seperti Kaggle Kaggle GitHub dan GitHub menumpukan ribuan contoh dan cabaran untuk berlatih dengan Panda dalam situasi dunia sebenar.
• Kursus dan bootcamp: Platform seperti DataCamp, Alura, DataScientist, CoreCode School dan banyak lagi menawarkan latihan khusus.
• Forum dan komuniti antarabangsa: Saluran Slack Pandas, Stack Overflow, kumpulan LinkedIn dan komuniti setempat sentiasa bersedia untuk membantu atau berkongsi sumber.

Strategi untuk belajar dan menambah baik dengan Panda

Membaca dokumentasi sahaja tidak mencukupi. Untuk menguasai Panda, pendekatan yang ideal ialah berlatih dengan data sebenar, dalam projek anda sendiri, dan mengembangkan repertoir teknik anda secara beransur-ansur.

• Gunakan dokumentasi rasmi sebagai rujukan berterusan. Ia adalah sumber pertama yang bahkan pakar beralih kepada.
• Sertai cabaran dan buku nota dalam talianProjek seperti Kaggle membolehkan anda melibatkan diri dengan data sebenar, melihat penyelesaian daripada orang lain dan mempelajari amalan terbaik.
• Tingkatkan pembelajaran anda dengan mencipta projek data anda sendiriPilih set data yang mendorong anda dan cuba menganalisisnya. Betulkan ralat, cuba fungsi baharu, bereksperimen dengan contoh yang kompleks.
• Pertimbangkan untuk mendaftar dalam kursus dan program latihanKursus berpandu boleh mempercepatkan keluk pembelajaran, terutamanya jika anda ingin mendalami topik seperti siri masa, pengagregatan lanjutan atau penyepaduan dengan sistem perusahaan.

Scikit-learn: Panduan lengkap untuk perpustakaan pembelajaran mesin utama dalam Python

Pautan berguna dan pembelajaran berterusan

Kami mengesyorkan anda menyemak beberapa pautan untuk mengikuti perkembangan terkini dan menyelesaikan soalan khusus:

• Laman web rasmi Pandas
• DataCamp – Kursus dan Latihan Interaktif
• Google Colab – Menjalankan buku nota dalam awan
• Jupyter – Buku Nota Interaktif

Soalan Lazim Pantas tentang Panda

• Adakah saya perlu mengetahui banyak Python untuk menggunakan Panda? Ia tidak penting, tetapi ia sangat disyorkan. Pemahaman yang baik tentang cara senarai, kamus dan sintaks asas berfungsi akan sangat membantu.
• Bolehkah saya menyepadukan Panda dengan Excel? Ya, anda boleh membaca dan mengeksport fail Excel secara langsung, malah menggabungkan helaian, menggunakan formula dan mengautomasikan tugasan yang, dalam Excel, akan menjadi perlahan atau sukar untuk dihasilkan semula.
• Adakah panda hanya berguna untuk saintis data? sama sekali tidak! Sesiapa sahaja yang bekerja dengan data jadual (jurutera, akauntan, ahli biologi, pemasar…) boleh mendapat manfaat daripadanya.
• Adakah ia sesuai untuk Data Besar? Panda dihadkan oleh RAM komputer, tetapi rangka kerja yang serasi sedang dibangunkan yang memperluaskan keupayaannya kepada dunia Data Besar.
• Adakah terdapat sebarang alternatif kepada Panda? Ya, dalam dunia Python, alternatif telah muncul yang direka bentuk untuk kerja teragih (Dask, Modin), pemprosesan data berskala besar (PySpark), atau penyepaduan pangkalan data (SQLAlchemy, dll.). Walau bagaimanapun, Pandas ialah standard de facto untuk analisis data dengan Python.

Panda adalah lebih daripada perpustakaan untuk memanipulasi data; ia adalah jambatan antara kekacauan data mentah dan analisis lanjutan yang mampu mengekstrak pandangan sebenar. Hari ini, sains data dengan Python tidak dapat dipisahkan daripada Pandas. Menguasainya membantu anda bekerja dengan lebih baik, lebih pantas dan lebih yakin. Jika anda ingin maju dalam dunia data, ini adalah langkah pertama yang tidak pernah mengecewakan.