精华内容
下载资源
问答
  • python3 打包导入pandas库时失败

    千次阅读 2019-04-23 14:19:54
    实质错误的原因是由于没有正确导入pandas库导致的,需要正确的方式来导入,以下为正确的打包导入方式 pyinstaller -F -w --hidden-import pandas --hidden-import="pandas._libs.tslibs.timedeltas" --hidden-...

    详细错误为:

    实质错误的原因是由于没有正确导入pandas库导致的,需要正确的方式来导入,以下为正确的打包导入方式

    pyinstaller -F -w --hidden-import pandas --hidden-import="pandas._libs.tslibs.timedeltas" --hidden-import="pandas._libs.tslibs.np_datetime" --hidden-import="pandas._libs.tslibs.nattype" --hidden-import="pandas._libs.skiplist" code.py

     pyinstaller打包参数详解:

     

    展开全文
  • 用控制台能成功导入pandas包: <p style="text-align:center"><img alt="" height="258" src="https://img-ask.csdnimg.cn/upload/1616057602530.png" width="1134" /></p> <p style="text-align:center">...
  • pandas用法总结

    万次阅读 多人点赞 2018-06-07 10:49:03
    1、首先导入pandas库,一般都会用到numpy库,所以我们先导入备用: import numpy as np import pandas as pd 2、导入CSV或者xlsx文件: df = pd.DataFrame(pd.read_csv(‘name.csv’,header=1)) df = pd....

    一、生成数据表

    各位读者朋友们,由于更新blog不易,如果觉得这篇blog对你有用的话,麻烦关注,点赞,收藏一下哈,十分感谢。

    1、首先导入pandas库,一般都会用到numpy库,所以我们先导入备用:

    import numpy as np
    import pandas as pd
    

    2、导入CSV或者xlsx文件:

    df = pd.DataFrame(pd.read_csv('name.csv',header=1))
    df = pd.DataFrame(pd.read_excel('name.xlsx'))
    

    或者

    import pandas as pd
    from collections import namedtuple
    
    Item = namedtuple('Item', 'reply pv')
    items = []
    
    with codecs.open('reply.pv.07', 'r', 'utf-8') as f: 
        for line in f:
            line_split = line.strip().split('\t')
            items.append(Item(line_split[0].strip(), line_split[1].strip()))
    
    df = pd.DataFrame.from_records(items, columns=['reply', 'pv'])
    

    3、用pandas创建数据表:

    df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 
     "date":pd.date_range('20130102', periods=6),
      "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
     "age":[23,44,54,32,34,32],
     "category":['100-A','100-B','110-A','110-C','210-A','130-F'],
      "price":[1200,np.nan,2133,5433,np.nan,4432]},
      columns =['id','date','city','category','age','price'])
    

    二、数据表信息查看

    1、维度查看:

    df.shape
    

    2、数据表基本信息(维度、列名称、数据格式、所占空间等):

    df.info()
    

    3、每一列数据的格式:

    df.dtypes
    

    4、某一列格式:

    df['B'].dtype
    

    5、空值:

    df.isnull()
    

    6、查看某一列空值:

    df['B'].isnull()
    

    7、查看某一列的唯一值:

    df['B'].unique()
    

    8、查看数据表的值:

    df.values 
    

    9、查看列名称:

    df.columns
    

    10、查看前5行数据、后5行数据:

    df.head() #默认前5行数据
    df.tail()    #默认后5行数据
    

    三、数据表清洗

    1、用数字0填充空值:

    df.fillna(value=0)
    

    2、使用列prince的均值对NA进行填充:

    df['prince'].fillna(df['prince'].mean())
    

    3、清楚city字段的字符空格:

    df['city']=df['city'].map(str.strip)
    

    4、大小写转换:

    df['city']=df['city'].str.lower()
    

    5、更改数据格式:

    df['price'].astype('int')       
    

    6、更改列名称:

    df.rename(columns={'category': 'category-size'}) 
    

    7、删除后出现的重复值:

    df['city'].drop_duplicates()
    

    8 、删除先出现的重复值:

    df['city'].drop_duplicates(keep='last')
    

    9、数据替换:

    df['city'].replace('sh', 'shanghai')
    

    四、数据预处理

    df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008], 
    "gender":['male','female','male','female','male','female','male','female'],
    "pay":['Y','N','Y','Y','N','Y','N','Y',],
    "m-point":[10,12,20,40,40,40,30,20]})
    

    1、数据表合并

    1.1 merge

    df_inner=pd.merge(df,df1,how='inner')  # 匹配合并,交集
    df_left=pd.merge(df,df1,how='left')        #
    df_right=pd.merge(df,df1,how='right')
    df_outer=pd.merge(df,df1,how='outer')  #并集
    

    1.2 append

    result = df1.append(df2)
    

    这里写图片描述

    1.3 join

    result = left.join(right, on='key')
    

    这里写图片描述

    1.4 concat

    pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
    	          keys=None, levels=None, names=None, verify_integrity=False,
    	          copy=True)
    
    • objs︰ 一个序列或系列、 综合或面板对象的映射。如果字典中传递,将作为键参数,使用排序的键,除非它传递,在这种情况下的值将会选择
      (见下文)。任何没有任何反对将默默地被丢弃,除非他们都没有在这种情况下将引发 ValueError。
    • axis: {0,1,…},默认值为 0。要连接沿轴。
    • join: {‘内部’、 ‘外’},默认 ‘外’。如何处理其他 axis(es) 上的索引。联盟内、 外的交叉口。
    • ignore_index︰ 布尔值、 默认 False。如果为 True,则不要串联轴上使用的索引值。由此产生的轴将标记
      0,…,n-1。这是有用的如果你串联串联轴没有有意义的索引信息的对象。请注意在联接中仍然受到尊重的其他轴上的索引值。
    • join_axes︰ 索引对象的列表。具体的指标,用于其他 n-1 轴而不是执行内部/外部设置逻辑。 keys︰
      序列,默认为无。构建分层索引使用通过的键作为最外面的级别。如果多个级别获得通过,应包含元组。
    • levels︰ 列表的序列,默认为无。具体水平 (唯一值) 用于构建多重。否则,他们将推断钥匙。
    • names︰ 列表中,默认为无。由此产生的分层索引中的级的名称。
    • verify_integrity︰ 布尔值、 默认 False。检查是否新的串联的轴包含重复项。这可以是相对于实际数据串联非常昂贵。
    • 副本︰ 布尔值、 默认 True。如果为 False,请不要,不必要地复制数据。
    例子:1.frames = [df1, df2, df3]
              2.result = pd.concat(frames)
    

    这里写图片描述

    2、设置索引列

    df_inner.set_index('id')
    

    3、按照特定列的值排序:

    df_inner.sort_values(by=['age'])
    

    4、按照索引列排序:

    df_inner.sort_index()
    

    5、如果prince列的值>3000,group列显示high,否则显示low:

    df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')
    

    6、对复合多个条件的数据进行分组标记

    df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1
    

    7、对category字段的值依次进行分列,并创建数据表,索引值为df_inner的索引列,列名称为category和size

    pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']))
    

    8、将完成分裂后的数据表和原df_inner数据表进行匹配

    df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
    

    五、数据提取

    主要用到的三个函数:loc,iloc和ix,loc函数按标签值进行提取,iloc按位置进行提取,ix可以同时按标签和位置进行提取。

    1、按索引提取单行的数值

    df_inner.loc[3]
    

    2、按索引提取区域行数值

    df_inner.iloc[0:5]
    

    3、重设索引

    df_inner.reset_index()
    

    4、设置日期为索引

    df_inner=df_inner.set_index('date') 
    

    5、提取4日之前的所有数据

    df_inner[:'2013-01-04']
    

    6、使用iloc按位置区域提取数据

    df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称,而是数据所在的位置,从0开始,前三行,前两列。
    

    7、适应iloc按位置单独提起数据

    df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行,4、5列
    

    8、使用ix按索引标签和位置混合提取数据

    df_inner.ix[:'2013-01-03',:4] #2013-01-03号之前,前四列数据
    

    9、判断city列的值是否为北京

    df_inner['city'].isin(['beijing'])
    

    10、判断city列里是否包含beijing和shanghai,然后将符合条件的数据提取出来

    df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])] 
    

    11、提取前三个字符,并生成数据表

    pd.DataFrame(category.str[:3])
    

    六、数据筛选

    使用与、或、非三个条件配合大于、小于、等于对数据进行筛选,并进行计数和求和。

    1、使用“与”进行筛选

    df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]
    

    2、使用“或”进行筛选

    df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age']) 
    

    3、使用“非”条件进行筛选

    df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 
    

    4、对筛选后的数据按city列进行计数

    df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()
    

    5、使用query函数进行筛选

    df_inner.query('city == ["beijing", "shanghai"]')
    

    6、对筛选后的结果按prince进行求和

    df_inner.query('city == ["beijing", "shanghai"]').price.sum()
    

    七、数据汇总

    主要函数是groupby和pivote_table

    1、对所有的列进行计数汇总

    df_inner.groupby('city').count()
    

    2、按城市对id字段进行计数

    df_inner.groupby('city')['id'].count()
    

    3、对两个字段进行汇总计数

    df_inner.groupby(['city','size'])['id'].count()
    

    4、对city字段进行汇总,并分别计算prince的合计和均值

    df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) 
    

    八、数据统计

    数据采样,计算标准差,协方差和相关系数

    1、简单的数据采样

    df_inner.sample(n=3) 
    

    2、手动设置采样权重

    weights = [0, 0, 0, 0, 0.5, 0.5]
    df_inner.sample(n=2, weights=weights) 
    

    3、采样后不放回

    df_inner.sample(n=6, replace=False) 
    

    4、采样后放回

    df_inner.sample(n=6, replace=True)
    

    5、 数据表描述性统计

    df_inner.describe().round(2).T #round函数设置显示小数位,T表示转置
    

    6、计算列的标准差

    df_inner['price'].std()
    

    7、计算两个字段间的协方差

    df_inner['price'].cov(df_inner['m-point']) 
    

    8、数据表中所有字段间的协方差

    df_inner.cov()
    

    9、两个字段的相关性分析

    df_inner['price'].corr(df_inner['m-point']) #相关系数在-1到1之间,接近1为正相关,接近-1为负相关,0为不相关
    

    10、数据表的相关性分析

    df_inner.corr()
    

    九、数据输出

    分析后的数据可以输出为xlsx格式和csv格式

    1、写入Excel

    df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc') 
    

    2、写入到CSV

    df_inner.to_csv('excel_to_python.csv') 
    
    展开全文
  • 在本篇文章中小编给大家分享了关于python导入pandas的相关知识点内容,有兴趣的朋友们参考学习下。
  • pycharm导入pandas

    千次阅读 2020-03-28 23:17:01
    No module named 'pandas’意思是没有这个Pandas模块,很明显是没有安装成功。 重启电脑,打开CMD,进入你PIP命令所在的盘符,以前的应该要进入到python\scripts…现在python3.7的话好像直接到python目录就可以使用...

    No module named 'pandas’意思是没有这个Pandas模块,很明显是没有安装成功。
    重启电脑,打开CMD,进入你PIP命令所在的盘符,以前的应该要进入到python\scripts…现在python3.7的话好像直接到python目录就可以使用pip了。使用了pip install pandas,就会出现Collecting pandas。。

    import pandas 时报错“No module named pandas”
    在这里插入图片描述
    方法一:直接在pycharm中导入插件
    导入失败
    在这里插入图片描述

    方法二:通过pip install 方式安装
    进入PIP命令所在的盘符,以前的应该要进入到python\scripts…现在python3.7的话好像直接到python目录就可以使用pip了。在地址栏输入cmd,打开cmd命令提示符。输入
    在这里插入图片描述
    在这里插入图片描述
    安装不成功,升级pip到19.3.1,再次尝试
    在这里插入图片描述
    仍然失败
    在这里插入图片描述
    执行
    在这里插入图片描述
    在这里插入图片描述
    开始使用pip install pandas报错

    在安装pandas的时候开始可以载入,但是后面显示

    raise ReadTimeoutError(self._pool, None, ‘Read timed out.’)

    pip._vendor.urllib3.exceptions.ReadTimeoutError: HTTPSConnectionPool(host=‘files.pythonhosted.org’, port=443): Read timed out.

    后来将pip语句更换为 pip --default-time=100 install pandas

    可以成功下载pandas,但是遇到新的问题
    在这里插入图片描述

    在这里插入图片描述

    此时在install后面加–user
    在这里插入图片描述

    仍然不行,重新 pip install --user pandas
    在这里插入图片描述

    展开全文
  • 首先导入pandas库 import pandas as pd 然后使用read_csv来打开指定的csv文件 df = pd.read_csv('./IP2LOCATION.csv',encoding= 'utf-8') 这个函数里面需要写入csv文件的路径,如果是把csv文件保存到了python的工程...
  • python 数据导入 pandas

    2019-03-27 21:23:37
    1.csv格式数据导入import pandas as pd w=pd.read.csv("数据地址") w.describe() w.sort_values(by="列名") 2.excel格式数据导入` mport pandas as pd pd.read_excel("数据地址") 3.MySQL数据导入 import ...

    1.csv格式数据导入import pandas as pd

    w=pd.read.csv("数据地址")
    w.describe()
    
    w.sort_values(by="列名")
    

    2.excel格式数据导入`

    import pandas as pd
    
    pd.read_excel("数据地址")
    

    3.MySQL数据导入

    import pandas as pdimport pymysql
    dbconn=pymsql.connect(host=&quot;127.0.0.1&quot;,user=&quot;root&quot;,passwd=&quot;root&quot;,db=&quot;hexun&quot;)
    
    sql=&quot;select * from myhexun&quot;w=pd.read_sql(sql,conn)w.describe()
    

    使用pandas操作Excel表单

    部分参考自:pandas表单

    1. 表单读取

    
    import  pandas  as pd
    
    #方法一:默认读取第一个表单
    df=pd.read_excel('lemon.xlsx')#默认读取Excel的第一个表单
    data=df.head()#默认读取前5行的数据
    print("获取到所有的值:\n{0}".format(data))#格式化输出
    
    
    #方法二:通过指定表单名的方式来读取
    df=pd.read_excel('lemon.xlsx',sheet_name='student')#可以通过sheet_name来指定读取的表单
    data=df.head()#默认读取前5行的数据
    print("获取到所有的值:\n{0}".format(data))#格式化输出
    
    
    #方法三:通过表单索引来指定要访问的表单,0表示第一个表单
    #也可以采用表单名和索引的双重方式来定位表单
    #也可以同时定位多个表单,方式都罗列如下所示
    df=pd.read_excel('lemon.xlsx',sheet_name=['python','student']) #可以通过表单名同时指定多个
    df=pd.read_excel('lemon.xlsx',sheet_name=0) #可以通过表单索引来指定读取的表单
    df=pd.read_excel('lemon.xlsx',sheet_name=['python',1]) #可以混合的方式来指定
    df=pd.read_excel('lemon.xlsx',sheet_name=[1,2]) #可以通过索引 同时指定多个
    data=df.values#获取所有的数据,注意这里不能用head()方法
    print("获取到所有的值:\n{0}".format(data))
    

    若出现下述情况:
    ImportError: Install xlrd >= 0.9.0 for Excel support
    解决方法:
    安装xlrd的库,并import


    2. pandas操作Excel的行列

    loc和iloc以及ix的区别

    loc可以使用文本标签,如loc[“name”];iloc使用序号,如iloc[1]。对于默认序号做行索引的情况,两者是通用的。
    ix已经被depreciated在今后的版本中可能不再被使用。在pandas的官方文档中已经做出说明,推荐使用loc或iloc。
    本段参考自:pandas中df.iloc函数应用

    iloc:

    示例:
    c531c701bfbecf0e99936bbeb1a0eef1.png


    1. 按行索引
      (1)整数作为索引:df.iloc[n],默认查找第n行

         >>>df.iloc[0] #输出第0行,左边的‘abcd’为行头标志
         a    1
         b    2
         c    3
         d    4 
      

      (2)列表作为索引:只查找列表中数字对应行号的数据

         df.iloc[[0,2]]#只输出第0行与第二行数据
      

      (3)列表作为索引:切片作为索引:实现多行数据查找

         df.iloc[:2]#选择前两行数据
      

      (4)表达式作为索引:

         df.iloc[lambda x: x.index % 2 == 0]#选择偶数行
      

    2、同时规定行和列进行索引,与只按行索引类似

    df.iloc[0, 1]#选择行号=0,列号=1的数据 
    df.iloc[[0, 2], [1, 3]]#选择行号为0和2,列号为1和3的数据 
    df.iloc[1:3, 0:3]#选择行号为1-2,列号为0-2的数据,注意切片范围为左闭右开 
    df.iloc[:, [True, False, True, False]]#行号全选,选择第1列和第3列数据 
    df.iloc[:, lambda df: [0, 2]]#选择dataframe的第1列与第3列
    

    展开全文
  • python下pandas库中读取指定行或列数据(excel或csv)

    万次阅读 多人点赞 2020-05-26 21:15:20
    pandas中查找excel或csv表中指定信息行的数据 ...import pandas as pd #导入pandas库 excel_file = './try.xlsx' #导入文件 data = pd.read_excel(excel_file) #读入数据 print(data.loc[data['部
  • 首先我使用的是jupyter notebook,要实现python的pandas库对CSV文件的操作,首相肯定需要导入库,然后就是要拥有一个CSV文件的样本啦,因为CSV文件的...先导入pandas库: import pandas as pd df = pd.read_csv(...
  • pandas库与numpy库

    2021-06-19 21:56:19
    目录前言一.numpy库的的文件操作(1)把文件中的数据写入作为数组(2)将数组写入txt文件二.pandas库的有关数据操作(1)关于excel数据的导入 一.numpy库的的文件操作 (1)把文件中的数据写入作为数组 首先在文件实用.txt...
  • pandas 简介

    2019-02-28 21:12:00
    上周分享了数据分析用到的一个:Numpy ,今天分享一个比 Numpy 更高效的pandas,它可以对数据进行导入、清洗、处理、统计和输出。pandas 是基于 Numpy 的,可以说,pandas 就是为数据分析而生的。 环境 ...
  • 5.1 Pandas库介绍及导入

    千次阅读 2017-06-29 22:08:24
    Pandas简介 Pandas是Python的一个数据分析包,最初被作为金融数据分析工具而开发出来,因此,Pandas为时间序列分析提供了很好的支持。Pandas的名称来自于面板数据(panel data)和Python数据分析(data analysis)。...
  • Pandas库学习

    2018-12-30 21:30:58
    Python Pandas库的学习 这篇文章主要就是关于python第三方库Pandas的一些基础学习,主要根据https://nbviewer.jupyter.org/github/MLEveryday/practicalAI-cn/blob/master/notebooks/03_Pandas.ipynb 来学习的 数据...
  • 导入pandas_datareader时报错,报错截图如下 根据以上报错提示,找到:D:\software\python\Lib\site-packages\pandas_datareader\compat\__init__.py文件,将第七行改成pandas.testing即可: 然后导入正常:
  • 导入pandas库并起别名为pd: import pandas as pd 二.pandas的DataFrame函数原型: DataFrame([data, index, columns, dtype, copy]); 三.函数详解 DataFrame([data, index, columns, dtype, copy]) 参数: ...
  • 如无必要,本篇笔记均在已导入pandas库下进行,即在程序第一行加入:import pandas as pd1.声明series对象data = pd.Series([12,-4,7,9],index=['a','b','c','d'])输出0 121 -4 2 7 3 9 dtype: int642.制定index...
  • python——pandas库

    2018-08-15 15:32:00
    一、pandas简介二、Pandas库的Series类型三、pandas库的DataFrame类型四、pandas库的数据类型操作五、pandas库的数据类型运算六、pandas的数据特征分析 一、pandas简介: Pandas库:python的第三方库,提供高...
  • pandas库操作

    2017-08-31 21:17:14
    Pandas 是一种基于Numpy的工具。它通过带有标签的列和索引,Pandas 使我们可以以一种所有人都能理解的方式来处理数据。我们可以使用它从诸如 csv 类型的文件中导入数据,同时也可以用来快速地对数据进行复杂的转换...
  • SQL_Challenge:此存储创建SQL数据库并将其输出+ DB导入Pandas +从SQL&SQLITE数据库中创建mplot和关联的报告
  • 一、pandas系列---pandas库简介

    千次阅读 2017-08-30 17:17:59
    pandas系列—pandas库简介一、pandas概述pandas是提供高...导入:import pandas as pd注:pandas库是基于Numpy实现的 一个简单的小例子:import pandas as pde=pd.Series(range(5)) eOut[7]: 0 0 1 1 2 2 3 3 4
  • 刚开始想研究一下pandas,但是导入包的时候发现,没有pandas模块,通过cmd去导入导入成功了没有出现报错。 接下来打开pycharm,去import pandas时,还是提示没有pandas模块,进入pycharm导包的地方,没有看到...
  • 我在云服务器上安装了pandas,python的版本是36,当导入pandas是会报错,说是缺少一个包,然后就查阅一个网上资料说是,_bz2.cpython-36m-x86_64-linux-gnu的缺少,于是我就去找到一个下载好后放入 /usr/local/lib/...
  • 工具/材料Pycharm操作方法01首先我们需要打开Excel软件准备需要的数据,这里多准备几列数据,一列就是一条折线,如下图所示02然后我们打开Pycharm软件,新建Python文件,导入Pandas库,接着将Excel中的数据读取进...
  • Pandas库之DataFrame

    2019-08-14 19:01:04
    Python基础入门:Pandas库之DataFrame DataFrame是Python里的一个库中的一种数据结构,该库叫Pandas库,它类似excel,是一种二维表。它可能有点像matlab的矩阵,但是matlab的矩阵只能放数值型值(当然matlab也可以用...
  • 在用 Python 或 Juptyer 做数据分析时,我们一般都会在代码顶部导入很多流行的三方,比如 pandas、numpy、matplotlib 等等。但是其实每次导入都是类似...
  • pandas用法大全

    万次阅读 多人点赞 2017-09-05 21:01:40
    1、首先导入pandas库,一般都会用到numpy库,所以我们先导入备用: import numpy as np import pandas as pd 2、导入CSV或者xlsx文件: df = pd.DataFrame(pd.read_csv(‘name.csv’,header=1)) df = pd....
  • 在Pycharm中安装Pandas库方法(简单易懂)

    万次阅读 多人点赞 2019-09-02 17:18:31
    Python、Anaconda、Pandas以及PyCharm的安装 ...Anaconda是Python的一个发行版本,安装好了Anaconda就相当于安装好了Python,并且里面还集成了很多Python科学计算的第三方。比如我们需要用到的Pandas、...
  • Anaconda3新建环境无法导入pandas

    千次阅读 2020-02-25 18:00:38
    离线条件,windows下第一次安装没勾选添加系统环境变量,用Navigator新建环境后找不到pandas。 排查 参照帖子https://bbs.csdn.net/topics/392735289的回答,觉得是环境变量问题,但回答的不全,遂卸载重装,勾选...
  • 导入pandas库import pandas as pd1.导入csvtxt文件数据pd.read_csv()常用参数:filepath_or_buffer:文件路径(必填,其他参数按需求填写)sep:指定分隔符,默认逗号','。header:指定第几行作为表头。默认为0(即...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 22,415
精华内容 8,966
关键字:

怎么导入pandas库