bucket_6B/python-pandas

   1 # Buildsheet autogenerated by ravenadm tool -- Do not edit.
   2
   3 NAMEBASE=               python-pandas
   4 VERSION=                2.1.1
   5 KEYWORDS=               python
   6 VARIANTS=               v11 v12
   7 SDESC[v11]=             Data structures for time series, statistics (3.11)
   8 SDESC[v12]=             Data structures for time series, statistics (3.12)
   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-2.1.1.tar.gz:main
  15 DF_INDEX=               1
  16 SPKGS[v11]=             single
  17 SPKGS[v12]=             single
  18
  19 OPTIONS_AVAILABLE=      PY312 PY311
  20 OPTIONS_STANDARD=       none
  21 VOPTS[v11]=             PY312=OFF PY311=ON
  22 VOPTS[v12]=             PY312=ON PY311=OFF
  23
  24 BROKEN[all]=            No wheel and difficult to build from source, WIP
  25
  26 BUILD_DEPENDS=          python-Cython:single:python_used
  27
  28 USES=                   cpe meson c++:single
  29
  30 DISTNAME=               pandas-2.1.1
  31
  32 CPE_PRODUCT=            pandas
  33 CPE_VENDOR=             numfocus
  34 GENERATED=              yes
  35
  36 [PY311].BUILDRUN_DEPENDS_ON=            python-python-dateutil:single:v11
  37                                         python-pytz:single:v11
  38                                         python-numpy:single:v11
  39 [PY311].BUILD_DEPENDS_ON=               python-versioneer:single:v11
  40 [PY311].USES_ON=                        python:v11,sutools
  41
  42 [PY312].BUILDRUN_DEPENDS_ON=            python-python-dateutil:single:v12
  43                                         python-pytz:single:v12
  44                                         python-numpy:single:v12
  45 [PY312].BUILD_DEPENDS_ON=               python-versioneer:single:v12
  46 [PY312].USES_ON=                        python:v12,sutools
  47
  48 [FILE:3351:descriptions/desc.single]
  49
  50 **pandas** is a Python package that provides fast, flexible, and expressive
  51 data
  52 structures designed to make working with structured (tabular,
  53 multidimensional,
  54 potentially heterogeneous) and time series data both easy and intuitive. It
  55 aims to be the fundamental high-level building block for doing practical,
  56 **real world** data analysis in Python. Additionally, it has the broader
  57 goal
  58 of becoming **the most powerful and flexible open source data analysis /
  59 manipulation tool available in any language**. It is already well on its
  60 way
  61 toward this goal.
  62
  63 pandas is well suited for many different kinds of data:
  64
  65   - Tabular data with heterogeneously-typed columns, as in an SQL table or
  66     Excel spreadsheet
  67   - Ordered and unordered (not necessarily fixed-frequency) time series
  68 data.
  69   - Arbitrary matrix data (homogeneously typed or heterogeneous) with row
  70 and
  71     column labels
  72   - Any other form of observational / statistical data sets. The data
  73 actually
  74     need not be labeled at all to be placed into a pandas data structure
  75
  76 The two primary data structures of pandas, Series (1-dimensional) and
  77 DataFrame
  78 (2-dimensional), handle the vast majority of typical use cases in finance,
  79 statistics, social science, and many areas of engineering. For R users,
  80 DataFrame provides everything that R's ``data.frame`` provides and much
  81 more. pandas is built on top of [NumPy] and is
  82 intended to integrate well within a scientific computing environment with
  83 many
  84 other 3rd party libraries.
  85
  86 Here are just a few of the things that pandas does well:
  87
  88   - Easy handling of **missing data** (represented as NaN) in floating
  89 point as
  90     well as non-floating point data
  91   - Size mutability: columns can be **inserted and deleted** from DataFrame
  92 and
  93     higher dimensional objects
  94   - Automatic and explicit **data alignment**: objects can be explicitly
  95     aligned to a set of labels, or the user can simply ignore the labels
  96 and
  97     let `Series`, `DataFrame`, etc. automatically align the data for you in
  98     computations
  99   - Powerful, flexible **group by** functionality to perform
 100     split-apply-combine operations on data sets, for both aggregating and
 101     transforming data
 102   - Make it **easy to convert** ragged, differently-indexed data in other
 103     Python and NumPy data structures into DataFrame objects
 104   - Intelligent label-based **slicing**, **fancy indexing**, and
 105 **subsetting**
 106     of large data sets
 107   - Intuitive **merging** and **joining** data sets
 108   - Flexible **reshaping** and pivoting of data sets
 109   - **Hierarchical** labeling of axes (possible to have multiple labels per
 110     tick)
 111   - Robust IO tools for loading data from **flat files** (CSV and
 112 delimited),
 113     Excel files, databases, and saving / loading data from the ultrafast
 114 **HDF5
 115     format**
 116   - **Time series**-specific functionality: date range generation and
 117 frequency
 118     conversion, moving window statistics, date shifting and lagging.
 119
 120 Many of these principles are here to address the shortcomings frequently
 121 experienced using other languages / scientific research environments. For
 122 data
 123 scientists, working with data is typically divided into multiple stages:
 124 munging and cleaning data, analyzing / modeling it, then organizing the
 125 results
 126 of the analysis into a form suitable for plotting or tabular display.
 127 pandas is
 128 the ideal tool for all of these tasks.
 129
 130
 131 [FILE:98:distinfo]
 132 fecb198dc389429be557cde50a2d46da8434a17fe37d7d41ff102e3987fd947b      4266250 pandas-2.1.1.tar.gz
 133