要很好地理解pandas，关键之一是要理解pandas是一系列其他python库的包装器。主要的有Numpy、SQL alchemy、Matplot lib和openpyxl。

data frame的核心内部模型是一系列NumPy数组和pandas函数。

pandas利用其他库来从data frame中获取数据。例如，SQL alchemy通过read_sql和to_sql函数使用;openpyxl和xlsx writer用于read_excel和to_excel函数。而Matplotlib和Seaborn则用于提供一个简单的接口，使用诸如df.plot()这样的命令来绘制data frame中可用的信息。

您经常听到的抱怨之一是Python很慢，或者难以处理大量数据。通常情况下，这是由于编写的代码的效率很低造成的。原生Python代码确实比编译后的代码要慢。不过，像Pandas这样的库提供了一个用于编译代码的python接口，并且知道如何正确使用这个接口。

向量化操作

与底层库Numpy一样，pandas执行向量化操作的效率比执行循环更高。这些效率是由于向量化操作是通过C编译代码执行的，而不是通过本机python代码执行的。另一个因素是向量化操作的能力，它可以对整个数据集进行操作，而不只是对一个子数据集进行操作。

应用接口允许通过使用CPython接口进行循环来获得一些效率:

df.apply(lambda x: x['col_a'] * x['col_b'], axis=1)

但是，大部分性能收益可以通过使用向量化操作本身获得，可以直接在pandas中使用，也可以直接调用它的内部Numpy数组。

当通过read_csv、read_excel或其他数据帧读取函数将数据帧加载到内存中时，pandas会进行类型推断，这可能是低效的。这些api允许您明确地利用dtypes指定每个列的类型。指定dtypes允许在内存中更有效地存储数据。

df.astype({'testColumn': str, 'testCountCol': float})

Dtypes是来自Numpy的本机对象，它允许您定义用于存储特定信息的确切类型和位数。

例如，Numpy的类型np.dtype(' int32 ')表示一个32位长的整数。pandas默认为64位整数，我们可以节省一半的空间使用32位:

pandas允许按块(chunk)加载数据帧中的数据。因此，可以将数据帧作为迭代器处理，并且能够处理大于可用内存的数据帧。

在读取数据源时定义块大小和get_chunk方法的组合允许panda以迭代器的方式处理数据，如上面的示例所示，其中数据帧一次读取两行。然后我们可以遍历这些块:

i = 0for a in df_iter:  # do some processing  chunk = df_iter.get_chunk()  i += 1  new_chunk = chunk.apply(lambda x: do_something(x), axis=1)  new_chunk.to_csv("chunk_output_%i.csv" % i )

它的输出可以被提供到一个CSV文件，pickle，导出到数据库，等等…