Общие функции

Манипуляции с данными

melt(frame[, id_vars, value_vars, var_name, ...])	Преобразовать DataFrame из широкого в длинный формат, опционально оставляя идентификаторы установленными.
pivot(data, *, columns[, index, values])	Возвращает преобразованный DataFrame, организованный по заданным значениям индекса/столбца.
pivot_table(data[, values, index, columns, ...])	Создает сводную таблицу в стиле электронных таблиц как DataFrame.
crosstab(index, columns[, values, rownames, ...])	Вычислить простую перекрёстную таблицу двух (или более) факторов.
cut(x, bins[, right, labels, retbins, ...])	Разбить значения на дискретные интервалы.
qcut(x, q[, labels, retbins, precision, ...])	Функция дискретизации на основе квантилей.
merge(left, right[, how, on, left_on, ...])	Объедините объекты DataFrame или именованные Series с соединением в стиле базы данных.
merge_ordered(left, right[, on, left_on, ...])	Выполнить слияние для упорядоченных данных с опциональным заполнением/интерполяцией.
merge_asof(left, right[, on, left_on, ...])	shteken +
concat(objs, *[, axis, join, ignore_index, ...])	Объединить объекты pandas вдоль определенной оси.
get_dummies(data[, prefix, prefix_sep, ...])	Преобразовать категориальную переменную в фиктивные/индикаторные переменные.
from_dummies(data[, sep, default_category])	Создать категориальный DataFrame из DataFrame фиктивных переменных.
factorize(values[, sort, use_na_sentinel, ...])	Кодировать объект как перечисленный тип или категориальную переменную.
unique(values)	Возвращает уникальные значения на основе хэш-таблицы.
lreshape(data, groups[, dropna])	Преобразование данных из широкого формата в длинный.
wide_to_long(df, stubnames, i, j[, sep, suffix])	Преобразование DataFrame из широкого формата в длинный.

Отсутствующие данные верхнего уровня

isna(obj)	Обнаружить пропущенные значения для объекта, подобного массиву.
isnull(obj)	Обнаружить пропущенные значения для объекта, подобного массиву.
notna(obj)	Обнаружение не-пропущенных значений для объекта, подобного массиву.
notnull(obj)	Обнаружение не-пропущенных значений для объекта, подобного массиву.

Верхнеуровневая работа с числовыми данными

to_numeric(arg[, errors, downcast, ...])

Преобразовать аргумент в числовой тип.

Верхнеуровневая работа с данными типа даты/времени

to_datetime(arg[, errors, dayfirst, ...])	Преобразовать аргумент в datetime.
to_timedelta(arg[, unit, errors])	Преобразовать аргумент в timedelta.
date_range([start, end, periods, freq, tz, ...])	Возвращает DatetimeIndex с фиксированной частотой.
bdate_range([start, end, periods, freq, tz, ...])	Возвращает DatetimeIndex с фиксированной частотой, где по умолчанию используется рабочий день.
period_range([start, end, periods, freq, name])	Вернуть PeriodIndex с фиксированной частотой.
timedelta_range([start, end, periods, freq, ...])	Возвращает TimedeltaIndex с фиксированной частотой, где день используется по умолчанию.
infer_freq(индекс)	Определяет наиболее вероятную частоту по заданному индексу.

Работа с интервальными данными на верхнем уровне

interval_range([start, end, periods, freq, ...])

Возвращает IntervalIndex с фиксированной частотой.

Высокоуровневая оценка

eval(expr[, parser, engine, local_dict, ...])

Вычислить выражение Python в виде строки с использованием различных бэкендов.

Форматы даты и времени

tseries.api.guess_datetime_format(dt_str[, ...])

Определить формат даты и времени для заданной строки даты и времени.

Хеширование

util.hash_array(vals[, encoding, hash_key, ...])	Для одномерного массива возвращает массив детерминированных целых чисел.
util.hash_pandas_object(obj[, index, ...])	Возвращает хэш данных Index/Series/DataFrame.

Импорт из других библиотек DataFrame

api.interchange.from_dataframe(df[, allow_copy])

Построить pd.DataFrame из любого DataFrame, поддерживающего протокол обмена.