Oba wydają się niezwykle podobne i jestem ciekawy, który pakiet byłby korzystniejszy dla analizy danych finansowych.
195
panda zapewnia narzędzia do manipulacji danymi wysokiego poziomu zbudowane na NumPy. NumPy samo w sobie jest narzędziem dość niskiego poziomu, podobnym do MATLAB. pandy z kolei zapewniają bogatą funkcjonalność szeregów czasowych, dostosowanie danych, statystyki przyjazne dla NA, metody grupowania, łączenia i łączenia oraz wiele innych udogodnień. W ostatnich latach stał się bardzo popularny w aplikacjach finansowych. W przyszłej książce będę miał rozdział poświęcony analizie danych finansowych z wykorzystaniem pand.
NA-friendly statistics
, wymienione w odpowiedzi.Numpy są wymagane przez pandy (i praktycznie wszystkie narzędzia numeryczne dla Pythona). Scipy nie jest ściśle wymagane w przypadku pand, ale jest wymienione jako „opcjonalna zależność”. Nie powiedziałbym, że pandy są alternatywą dla Numpy i / lub Scipy. Jest to raczej dodatkowe narzędzie, które zapewnia bardziej uproszczony sposób pracy z danymi liczbowymi i tabelarycznymi w Pythonie. Możesz używać struktur danych pand, ale swobodnie korzystać z funkcji Numpy i Scipy, aby nimi manipulować.
źródło
Pandy to świetny sposób na manipulowanie tabelami, ponieważ możesz ułatwić binowanie ( binowanie ramki danych w pandach w Pythonie ) i obliczanie statystyk. Inną świetną rzeczą w pandach jest klasa Panel, w której można łączyć serie warstw o różnych właściwościach i łączyć je za pomocą funkcji grupowania.
źródło