bucket_6B/python-pandas

   1 # Buildsheet autogenerated by ravenadm tool -- Do not edit.
   2
   3 NAMEBASE=               python-pandas
   4 VERSION=                1.3.1
   5 KEYWORDS=               python
   6 VARIANTS=               py38 py39
   7 SDESC[py38]=            Data structures for time series, statistics (PY38)
   8 SDESC[py39]=            Data structures for time series, statistics (PY39)
   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-1.3.1.tar.gz:main
  15 DF_INDEX=               1
  16 SPKGS[py38]=            single
  17 SPKGS[py39]=            single
  18
  19 OPTIONS_AVAILABLE=      PY38 PY39
  20 OPTIONS_STANDARD=       none
  21 VOPTS[py38]=            PY38=ON PY39=OFF
  22 VOPTS[py39]=            PY38=OFF PY39=ON
  23
  24 BUILD_DEPENDS=          python-Cython:single:python_used
  25
  26 USES=                   cpe
  27
  28 DISTNAME=               pandas-1.3.1
  29
  30 CPE_PRODUCT=            pandas
  31 CPE_VENDOR=             numfocus
  32 GENERATED=              yes
  33
  34 [PY38].BUILDRUN_DEPENDS_ON=             python-python-dateutil:single:py38
  35                                         python-pytz:single:py38
  36                                         python-numpy:single:py38
  37 [PY38].USES_ON=                         python:py38,sutools
  38
  39 [PY39].BUILDRUN_DEPENDS_ON=             python-python-dateutil:single:py39
  40                                         python-pytz:single:py39
  41                                         python-numpy:single:py39
  42 [PY39].USES_ON=                         python:py39,sutools
  43
  44 [FILE:3351:descriptions/desc.single]
  45
  46 **pandas** is a Python package that provides fast, flexible, and expressive
  47 data
  48 structures designed to make working with structured (tabular,
  49 multidimensional,
  50 potentially heterogeneous) and time series data both easy and intuitive. It
  51 aims to be the fundamental high-level building block for doing practical,
  52 **real world** data analysis in Python. Additionally, it has the broader
  53 goal
  54 of becoming **the most powerful and flexible open source data analysis /
  55 manipulation tool available in any language**. It is already well on its
  56 way
  57 toward this goal.
  58
  59 pandas is well suited for many different kinds of data:
  60
  61   - Tabular data with heterogeneously-typed columns, as in an SQL table or
  62     Excel spreadsheet
  63   - Ordered and unordered (not necessarily fixed-frequency) time series
  64 data.
  65   - Arbitrary matrix data (homogeneously typed or heterogeneous) with row
  66 and
  67     column labels
  68   - Any other form of observational / statistical data sets. The data
  69 actually
  70     need not be labeled at all to be placed into a pandas data structure
  71
  72 The two primary data structures of pandas, Series (1-dimensional) and
  73 DataFrame
  74 (2-dimensional), handle the vast majority of typical use cases in finance,
  75 statistics, social science, and many areas of engineering. For R users,
  76 DataFrame provides everything that R's ``data.frame`` provides and much
  77 more. pandas is built on top of [NumPy] and is
  78 intended to integrate well within a scientific computing environment with
  79 many
  80 other 3rd party libraries.
  81
  82 Here are just a few of the things that pandas does well:
  83
  84   - Easy handling of **missing data** (represented as NaN) in floating
  85 point as
  86     well as non-floating point data
  87   - Size mutability: columns can be **inserted and deleted** from DataFrame
  88 and
  89     higher dimensional objects
  90   - Automatic and explicit **data alignment**: objects can be explicitly
  91     aligned to a set of labels, or the user can simply ignore the labels
  92 and
  93     let `Series`, `DataFrame`, etc. automatically align the data for you in
  94     computations
  95   - Powerful, flexible **group by** functionality to perform
  96     split-apply-combine operations on data sets, for both aggregating and
  97     transforming data
  98   - Make it **easy to convert** ragged, differently-indexed data in other
  99     Python and NumPy data structures into DataFrame objects
 100   - Intelligent label-based **slicing**, **fancy indexing**, and
 101 **subsetting**
 102     of large data sets
 103   - Intuitive **merging** and **joining** data sets
 104   - Flexible **reshaping** and pivoting of data sets
 105   - **Hierarchical** labeling of axes (possible to have multiple labels per
 106     tick)
 107   - Robust IO tools for loading data from **flat files** (CSV and
 108 delimited),
 109     Excel files, databases, and saving / loading data from the ultrafast
 110 **HDF5
 111     format**
 112   - **Time series**-specific functionality: date range generation and
 113 frequency
 114     conversion, moving window statistics, date shifting and lagging.
 115
 116 Many of these principles are here to address the shortcomings frequently
 117 experienced using other languages / scientific research environments. For
 118 data
 119 scientists, working with data is typically divided into multiple stages:
 120 munging and cleaning data, analyzing / modeling it, then organizing the
 121 results
 122 of the analysis into a form suitable for plotting or tabular display.
 123 pandas is
 124 the ideal tool for all of these tasks.
 125
 126
 127 [FILE:98:distinfo]
 128 341935a594db24f3ff07d1b34d1d231786aa9adfa84b76eab10bf42907c8aed3      4724471 pandas-1.3.1.tar.gz
 129