Pandas图鉴之一：Pandas vs Numpy
图片
Pandas[1]是用Python分析数据的工业标准。只需敲几下键盘，就可以加载、过滤、重组和可视化数千兆字节的异质信息。它建立在NumPy库的基础上，借用了它的许多概念和语法约定，所以如果你对NumPy很熟悉，你会发现Pandas是一个相当熟悉的工具。即使你从未听说过NumPy，Pandas也可以让你在几乎没有编程背景的情况下轻松拿捏数据分析问题。
Pandas 给 NumPy 数组带来的两个关键特性是：
异质类型 —— 每一列都允许有自己的类型
索引 —— 提高指定列的查询速度
事实证明，这些功能足以使Pandas成为Excel和数据库的强大竞争者。
Polars[2]是Pandas最近的转世（用Rust编写，因此速度更快，它不再使用NumPy的引擎，但语法却非常相似，所以学习 Pandas 后对学习 Polars 帮助非常大。
Pandas 图鉴系列文章由四个部分组成：
Part 1. Motivation
Part 2. Series and Index
Part 3. DataFrames
Part 4. MultiIndex
我们将拆分成四个部分，依次呈现～建议关注和星标@公众号：数据STUDIO，精彩内容等你来～
图片
冒号后的空格仅用于说明问题。通常情况下，没有空格。
而你需要用NumPy对 "哪些城市的面积超过450平方公里，人口低于1000万" 这样的基本问题给出答案。
通常情况下，不推荐使用将整个表送入NumPy数组的粗暴解决方案。NumPy数组是同质类型的（=所有的值都有相同的类型），所以所有的字段都会被解译为字符串，在比大小方面也不尽人意。
虽然NumPy也有结构化数组和记录数组，允许不同类型的列，但它们主要是为了与C代码对接。当用于一般用途时，它们有以下缺点：
不太直观（例如，你将面临到处都是> np.sum([1, np.nan, 2]) nan
