说明
1、按索引匹配的广播机制，这里的广播机制与numpy广播机制还有很大不同。
2、便捷的数据读写操作，相比于numpy仅支持数字索引，pandas的两种数据结构均支持标签索引，包括bool索引也是支持的。
3、类比SQL的join和groupby功能，pandas可以很容易实现SQL这两个核心功能，实际上，SQL的绝大部分DQL和DML操作在pandas中都可以实现。
4、类比Excel的数据透视表功能，Excel中最为强大的数据分析工具之一是数据透视表，这在pandas中也可轻松实现。
5、自带正则表达式的字符串向量化操作，对pandas中的一列字符串进行通函数操作，而且自带正则表达式的大部分接口。
丰富的时间序列向量化处理接口。
常用的数据分析与统计功能，包括基本统计量、分组统计分析等。
集成matplotlib的常用可视化接口，无论是series还是dataframe，均支持面向对象的绘图接口。
实例
import numpy as np
import pandas as pd
# 创建一个符合正态分布的10个股票5天的涨跌幅数据
stock_change = np.random.normal(0, 1, (10, 5))
pd.DataFrame(stock_change)
# 添加行索引
stock = ["股票{}".format(i) for i in range(10)]
pd.DataFrame(stock_change, index=stock)
# 添加列索引
date = pd.date_range(start="20200101", periods=5, freq="B")
data = pd.DataFrame(stock_change, index=stock, columns=date)
# 属性
print(data.shape)
print(data.index)
print(data.columns)
print(data.values)
data.T # 行列转置
# 方法
data.head(3) # 开头3行
data.tail(2) # 最后2行以上就是python中pandas功能特色的介绍，希望对大家有所帮助。更多Python学习指路：港服(Server.HK)python教程
本文教程操作环境：windows7系统、Python 3.9.1，DELL G3电脑。