bucket_6B/python-pandas

   1 # Buildsheet autogenerated by ravenadm tool -- Do not edit.
   2
   3 NAMEBASE=               python-pandas
   4 VERSION=                2.0.3
   5 KEYWORDS=               python
   6 VARIANTS=               v11 py310
   7 SDESC[py310]=           Data structures for time series, statistics (3.10)
   8 SDESC[v11]=             Data structures for time series, statistics (3.11)
   9 HOMEPAGE=               https://pandas.pydata.org
  10 CONTACT=                Python_Automaton[python@ironwolf.systems]
  11
  12 DOWNLOAD_GROUPS=        main
  13 SITES[main]=            PYPI/p/pandas
  14 DISTFILE[1]=            pandas-2.0.3.tar.gz:main
  15 DF_INDEX=               1
  16 SPKGS[py310]=           single
  17 SPKGS[v11]=             single
  18
  19 OPTIONS_AVAILABLE=      PY310 PY311
  20 OPTIONS_STANDARD=       none
  21 VOPTS[py310]=           PY310=ON PY311=OFF
  22 VOPTS[v11]=             PY310=OFF PY311=ON
  23
  24 BUILD_DEPENDS=          python-Cython:single:python_used
  25
  26 USES=                   cpe c++:single
  27
  28 DISTNAME=               pandas-2.0.3
  29
  30 CPE_PRODUCT=            pandas
  31 CPE_VENDOR=             numfocus
  32 GENERATED=              yes
  33
  34 [PY310].BROKEN_ON=                      configparser.NoSectionError: No section: 'versioneer'
  35 [PY310].BUILDRUN_DEPENDS_ON=            python-python-dateutil:single:py310
  36                                         python-pytz:single:py310
  37                                         python-numpy:single:py310
  38                                         python-versioneer:single:py310
  39 [PY310].USES_ON=                        python:py310,sutools
  40
  41 [PY311].BUILDRUN_DEPENDS_ON=            python-python-dateutil:single:v11
  42                                         python-pytz:single:v11
  43                                         python-numpy:single:v11
  44                                         python-versioneer:single:v11
  45 [PY311].USES_ON=                        python:v11,sutools
  46
  47 [FILE:3351:descriptions/desc.single]
  48
  49 **pandas** is a Python package that provides fast, flexible, and expressive
  50 data
  51 structures designed to make working with structured (tabular,
  52 multidimensional,
  53 potentially heterogeneous) and time series data both easy and intuitive. It
  54 aims to be the fundamental high-level building block for doing practical,
  55 **real world** data analysis in Python. Additionally, it has the broader
  56 goal
  57 of becoming **the most powerful and flexible open source data analysis /
  58 manipulation tool available in any language**. It is already well on its
  59 way
  60 toward this goal.
  61
  62 pandas is well suited for many different kinds of data:
  63
  64   - Tabular data with heterogeneously-typed columns, as in an SQL table or
  65     Excel spreadsheet
  66   - Ordered and unordered (not necessarily fixed-frequency) time series
  67 data.
  68   - Arbitrary matrix data (homogeneously typed or heterogeneous) with row
  69 and
  70     column labels
  71   - Any other form of observational / statistical data sets. The data
  72 actually
  73     need not be labeled at all to be placed into a pandas data structure
  74
  75 The two primary data structures of pandas, Series (1-dimensional) and
  76 DataFrame
  77 (2-dimensional), handle the vast majority of typical use cases in finance,
  78 statistics, social science, and many areas of engineering. For R users,
  79 DataFrame provides everything that R's ``data.frame`` provides and much
  80 more. pandas is built on top of [NumPy] and is
  81 intended to integrate well within a scientific computing environment with
  82 many
  83 other 3rd party libraries.
  84
  85 Here are just a few of the things that pandas does well:
  86
  87   - Easy handling of **missing data** (represented as NaN) in floating
  88 point as
  89     well as non-floating point data
  90   - Size mutability: columns can be **inserted and deleted** from DataFrame
  91 and
  92     higher dimensional objects
  93   - Automatic and explicit **data alignment**: objects can be explicitly
  94     aligned to a set of labels, or the user can simply ignore the labels
  95 and
  96     let `Series`, `DataFrame`, etc. automatically align the data for you in
  97     computations
  98   - Powerful, flexible **group by** functionality to perform
  99     split-apply-combine operations on data sets, for both aggregating and
 100     transforming data
 101   - Make it **easy to convert** ragged, differently-indexed data in other
 102     Python and NumPy data structures into DataFrame objects
 103   - Intelligent label-based **slicing**, **fancy indexing**, and
 104 **subsetting**
 105     of large data sets
 106   - Intuitive **merging** and **joining** data sets
 107   - Flexible **reshaping** and pivoting of data sets
 108   - **Hierarchical** labeling of axes (possible to have multiple labels per
 109     tick)
 110   - Robust IO tools for loading data from **flat files** (CSV and
 111 delimited),
 112     Excel files, databases, and saving / loading data from the ultrafast
 113 **HDF5
 114     format**
 115   - **Time series**-specific functionality: date range generation and
 116 frequency
 117     conversion, moving window statistics, date shifting and lagging.
 118
 119 Many of these principles are here to address the shortcomings frequently
 120 experienced using other languages / scientific research environments. For
 121 data
 122 scientists, working with data is typically divided into multiple stages:
 123 munging and cleaning data, analyzing / modeling it, then organizing the
 124 results
 125 of the analysis into a form suitable for plotting or tabular display.
 126 pandas is
 127 the ideal tool for all of these tasks.
 128
 129
 130 [FILE:98:distinfo]
 131 c02f372a88e0d17f36d3093a644c73cfc1788e876a7c4bcb4020a77512e2043c      5284455 pandas-2.0.3.tar.gz
 132