安装通过conda
　　pandas 是支持Anaconda的项目，可以通过Anaconda或Miniconda安装：

· 

 conda install pandas

通过pip
　　pandas可以通过PyPI的pip安装：

· 

pip install pandas

高级说明　　是否安装特定版本？是否从源安装？检查高级安装页面。打开：https://pandas.pydata.org/docs/getting_started/install.html
pandas简介
Pandas处理什么样的数据？　　当需要处理表格数据（例如存储在电子表格或数据库中的数据）时，pandas是适合的工具。pandas能用于探索、清理和处理数据。在pandas中，数据表称为DataFrame。DataFrame：https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.html#pandas.DataFrame到介绍教程：https://pandas.pydata.org/docs/getting_started/intro_tutorials/01_table_oriented.html#min-tut-01-tableoriented到用户指南：https://pandas.pydata.org/docs/user_guide/dsintro.html#dsintro

如何读写表格数据？
　　pandas集成支持许多文件形式数据或数据源（csv、excel、sql、json、parquet等）。从每个数据源导入数据都由前缀为read_*的函数（例如read_csv）提供。类似地，to_*的函数（例如to_csv）用于存储数据。到介绍教程：https://pandas.pydata.org/docs/getting_started/intro_tutorials/02_read_write.html#min-tut-02-read-write到用户指南：https://pandas.pydata.org/docs/user_guide/io.html#io
如何选择表（table）的子集（subset）？　　选择或筛选特定的行和/或列？通过条件过滤数据？pandas提供了切片、选择和提取所需数据的方法。到介绍教程：https://pandas.pydata.org/docs/getting_started/intro_tutorials/03_subset_data.html#min-tut-03-subset到用户指南：https://pandas.pydata.org/docs/user_guide/indexing.html#indexing
如何在pandas中创建图表？
　　pandas利用Matplotlib的强大功能，提供开箱即用的数据绘图功能。您可以选择与数据对应的绘图类型（散点图、条形图、方框图…）。到介绍教程：https://pandas.pydata.org/docs/getting_started/intro_tutorials/04_plotting.html#min-tut-04-plotting到用户指南：https://pandas.pydata.org/docs/user_guide/visualization.html#visualization
如何从现有列派生出新列？　　虽然表面上是整列操作，但实际上是按元素进行操作的，所以不需要在数据表的所有行上循环进行计算。这样，基于其他列中的现有数据派生的新列添加到数据帧（DataFrame）很简单直接。到介绍教程：https://pandas.pydata.org/docs/getting_started/intro_tutorials/05_add_columns.html#min-tut-05-columns到用户指南：https://pandas.pydata.org/docs/user_guide/dsintro.html#basics-dataframe-sel-add-del
如何汇总统计？　　基本统计（平均值、中值、最小值、最大值、计数…）很容易计算。这些计算或自定义聚合计算可以应用于整个数据集、数据的滑动窗口或按类别分组。后者也称为拆分应用组合方法。到介绍教程：https://pandas.pydata.org/docs/getting_started/intro_tutorials/06_calculate_statistics.html#min-tut-06-stats到用户指南：https://pandas.pydata.org/docs/user_guide/groupby.html#groupby
如何重塑表格的布局？　　有多种方式更改数据表的结构。可以将数据表从宽格式合并（melt()）为长格式/整洁格式，或从长格式合并为宽格式（pivot()）。使用内置聚合方法，只需一个命令即可创建数据透视表。到介绍教程：https://pandas.pydata.org/docs/getting_started/intro_tutorials/07_reshape_table_layout.html#min-tut-07-reshape到用户指南：https://pandas.pydata.org/docs/user_guide/reshaping.html#reshaping
如何组合来自多个表的数据？　　由于提供了类似于数据库的连接/合并操作来组合多个数据表，因此可以按列和按行连接多个表。到介绍教程：https://pandas.pydata.org/docs/getting_started/intro_tutorials/08_combine_dataframes.html#min-tut-08-combine到用户指南：https://pandas.pydata.org/docs/user_guide/merging.html#merging
如何处理时间序列数据？　　pandas很好地支持时间序列，并且有一套广泛的工具来处理日期、时间和时间索引数据。到介绍教程：https://pandas.pydata.org/docs/getting_started/intro_tutorials/09_timeseries.html#min-tut-09-timeseries到用户指南：https://pandas.pydata.org/docs/user_guide/timeseries.html#timeseries
如何操作文本数据？　　数据集不仅包含数字数据。pandas提供了一系列功能来清理文本数据并从中提取有用的信息。到介绍教程：https://pandas.pydata.org/docs/getting_started/intro_tutorials/10_text_data.html#min-tut-10-text到用户指南：https://pandas.pydata.org/docs/user_guide/text.html#text
拓展······　　也许用户已经熟悉其他处理数据表的软件，与这些软件比较，了解pandas的等效操作：　　R编程语言提供了data.frame数据结构和多个包，例如tidyverse使用和扩展data.frame，以实现与pandas类似的便捷数据处理功能。
了解更多信息：https://pandas.pydata.org/docs/getting_started/comparison/comparison_with_r.html#compare-with-r　　用户已经熟悉SELECT、GROUP BY、JOIN等，这些SQL操作中的大多数在pandas中都有等价的操作。
了解更多信息：https://pandas.pydata.org/docs/getting_started/comparison/comparison_with_sql.html#compare-with-sql　　STATA统计软件套件中包含的数据集（data set）与pandas DataFrame相类似。STATA已知的许多操作在pandas上都有等效的操作。
了解更多信息：https://pandas.pydata.org/docs/getting_started/comparison/comparison_with_stata.html#compare-with-stata　　Excel或其他电子表格程序的用户会发现，许多概念都可以移植到pandas。
了解更多信息：https://pandas.pydata.org/docs/getting_started/comparison/comparison_with_spreadsheets.html#compare-with-spreadsheets　　SAS统计软件套件也提供与pandas DataFrame相类似的数据集（ data set）。SAS矢量化操作、过滤、字符串处理操作等在pandas中也有类似的函数。
了解更多信息：https://pandas.pydata.org/docs/getting_started/comparison/comparison_with_sas.html#compare-with-sas
教程　　有关pandas功能的快速概述，请参阅10分钟了解pandas：https://pandas.pydata.org/docs/user_guide/10min.html#min。　　获取pandas操作数据的简明指南，参考pandas备忘单：https://pandas.pydata.org/Pandas_Cheat_Sheet.pdf。
　　该社区提供了各种各样的在线教程。一些材料被收录在社区提供的社区教程中：https://pandas.pydata.org/docs/getting_started/tutorials.html#communitytutorials。