NumPy和Pandas都是Python的第三方库，但是它们的应用场景不同。主要用于处理数值数据，提供了数组来容纳数据，支持并行计算，底层使用C语言编写，效率高。主要用于处理类表格数据，提供了和数据结构，能够处理不同类型的数据，支持数字索引和标签索引，是专门为处理表格和混杂数据设计的。NumPy适合处理统一的数组数据，而Pandas更适合处理结构化数据。总之，Numpy与Pandas库是数据分析的

日常数据分析中，经常要根据各种不同的条件从数据集中筛选出想要的数据，再进行提取、替换、修改和分析等操作，因此筛选过滤是数据分析中使用频率最高的操作之一。在刚开始用Python做数据分析的时候，常常是使用for循环在数据集中进行条件筛选，致使代码比较冗长且效率不高。本篇分享一下在python中常用的并且使用效率比较高的几种数据筛选函数：isin()、query()、contains()、loc()、

数据分析中经常会遇到补行/列数据 或 数据拼接/合并数据或表格的左右连接——mergejoin；数据或表格的上下连接——append。主要用于表格的左右连接，类似于SQL中的Join操作，根据具体字段来匹配连接既能按轴上下拼接，也能按轴左右拼接，主要取决于参数axis的设定append:追加，只能用于表格的上下连拼，可视作axis=0的简便版concat主要用于表格的左右连接。

日常数据分析中，经常要根据各种不同的条件从数据集中筛选出想要的数据，再进行提取、替换、修改和分析等操作，因此筛选过滤是数据分析中使用频率最高的操作之一。在刚开始用Python做数据分析的时候，常常是使用for循环在数据集中进行条件筛选，致使代码比较冗长且效率不高。本篇分享一下在python中常用的并且使用效率比较高的几种数据筛选函数：isin()、query()、contains()、loc()、