安装
安装Pandas的最简单方法是将其安装为Anaconda发行版的一部分，这是一种用于数据分析和科学计算的跨平台发行版。这是大多数用户的推荐安装方法。
还提供了从源，PyPI，ActivePython，各种Linux发行版或开发版本进行安装的说明。
计划移除对Python 2.7的支持
Python核心团队计划在2020年1月1日停止支持Python 2.7。按照NumPy的计划，2018年12月31日之前的所有Pandas版本都仍支持Python 2（译者注：之后的版本将不再支持）。
2018年12月31日之前的最终版本将是支持Python 2的最后一个版本。已发布的软件包将继续在PyPI和conda上提供。
- 从 2019年1月1日 开始，所有版本都只支持Python 3。
如果有人对2018年12月31日之后对Python 2.7的持续支持感兴趣（反向移植错误修正或资金支持），请联系问题跟踪器上的维护人员。
有关更多信息，请参见 Python 3 语法 和 移植到Python 3指南。
Python版本支持
正式的 Python 2.7、3.5、3.6和3.7 版本。
安装 Pandas
通过Anaconda安装
对于没有经验的新手朋友来说，安装Pandas以及其余的NumPy和SciPy等工具包可能会有点困难。
最简单的方法不是直接安装Pandas，而是安装Python和构成SciPy数据科学技术栈的最流行的工具包（IPython，NumPy，Matplotlib，...）的集合Anaconda，它是一个跨平台（Linux，Mac OS X，Windows）的Python发行版，用于数据分析和科学计算。
在运行安装程序之后，用户将可以访问Pandas和SciPy工具包的任何工具，而不需要安装任何其他东西，也不需要等待任何软件编译，非常的方便。
可以在这里找到作为Anaconda发行版一部分的可用软件包的完整列表。
安装Anaconda的另一个优点是安装它不需要管理员权限。Anaconda可以安装在用户的主目录中，如果您决定删除Anaconda（只需删除该文件夹就可以），这就非常方便了。
通过Miniconda安装
上一节概述了如何安装Pandas作为Anaconda 发行版的一部分。但是，这种方法意味着您将安装超过一百个包，并涉及下载几百兆字节的安装程序。
如果您只想要安装你需要的包，或者具有有限的互联网带宽，那么使用Miniconda安装Pandas可能是更好的解决方案。
Conda是Anaconda发行版所基于的软件包管理器。它是一个跨平台的且和语言无关的包管理器（它可以起到与pip和virtualenv组合类似的作用）。
Miniconda允许您创建最小的Python安装包，然后使用Conda命令安装其他软件包。
首先你需要安装Conda，下载并运行Miniconda会帮你做这件事。安装程序可以在这里找到。
下一步是创建一个新的conda环境。conda环境就像一个virtualenv，它允许您指定特定版本的Python和你需要的第三方库。从终端窗口运行以下命令：
$ conda create -n name_of_my_env python
这将创建一个只安装了Python的最小环境。把你自己放在这个环境中（激活环境）：
$ source activate name_of_my_env
在Windows上，命令是：
$ activate name_of_my_env
最后一步是安装Pandas，可以使用以下命令完成：
$ conda install Pandas
要安装特定的Pandas版本：
$ conda install Pandas=0.20.3
要安装其他软件包，例如IPython：
$ conda install ipython
要安装完整的Anaconda发行版：
$ conda install anaconda
如果您需要可用于pip而不是conda的软件包，请安装pip，然后使用pip安装这些软件包：
$ conda install pip
$ pip install django
从PyPI安装
Pandas可以通过PyPI.的pip安装。
$ pip install Pandas
通过ActivePython安装
可以在此处找到ActivePython的安装说明。 版本2.7和3.5 包含了 pandas。
使用Linux发行版的包管理器进行安装。
此表中的命令将从您的发行版安装Python 3版本的Pandas。要安装Python 2版本的Pandas，您可能需要使用 python-Pandas 包。
| 发行版名称 | 状态 | 下载 / 仓库地址 | 安装方法 |
|---|---|---|---|
| Debian | stable | official Debian repository | sudo apt-get install |
| Debian & Ubuntu | unstable (latest packages) | NeuroDebian | |
| Ubuntu | stable | official Ubuntu repository | sudo apt-get install python3-Pandas |
| OpenSuse | stable | OpenSuse Repository | zypper in python3-Pandas |
| Fedora | stable | official Fedora repository | dnf install python3-Pandas |
| Centos/RHEL | stable | EPEL repository | yum install python3-Pandas |
However，Linux的包管理器中的包通常落后几个版本，因此要获得最新版本的Pandas，建议使用上面描述的pip或conda方法进行安装。
从源码安装
有关从git源代码树构建的完整说明，请参阅贡献指南。此外，如果您希望创建一个pandas开发环境，请参阅创建开发环境。
运行测试套件
大Pandas配备了一套详尽的单元测试，涵盖了撰写本文时约97％的代码库。要在您的计算机上运行它以验证一切正常（并且您已经安装了所有依赖项，软的和硬的），请确保您有 pytest > = 4.0.2 和 Hypothesis > = 3.58，然后运行：
>>> import Pandas as pd
>>> pd.test()
running: pytest --skip-slow --skip-network C:\Users\TP\Anaconda3\envs\py36\lib\site-packages\Pandas
============================= test session starts =============================
platform win32 -- Python 3.6.2, pytest-3.2.1, py-1.4.34, pluggy-0.4.0
rootdir: C:\Users\TP\Documents\Python\Pandasdev\Pandas, inifile: setup.cfg
collected 12145 items / 3 skipped
..................................................................S......
........S................................................................
.........................................................................
==================== 12130 passed, 12 skipped in 368.339 seconds =====================
依赖
| Package | 最低支持版本 |
|---|---|
| setuptools | 24.2.0 |
| NumPy | 1.13.3 |
| python-dateutil | 2.6.1 |
| pytz | 2017.2 |
推荐的依赖关系
- numexpr: 用于加速某些数值运算。
numexpr使用多个内核以及智能分块和缓存来实现大型加速。如果已安装，则必须为2.6.2或更高版本。 - bottleneck: 加速某些类型的
nan评估。bottleneck使用专门的cython例程来实现大的加速。 如果已安装，则必须为1.2.1或更高版本。
注意
强烈建议您安装这些库，因为它们可以提高处理速度，尤其是在处理大型数据集时。
可选的依赖项
Pandas有许多可选的依赖项，仅用于特定的方法。 例如，pandas.read_hdf() 需要pytables包。 如果未安装可选依赖项，则在调用需要该依赖项的方法时，pandas将引发ImportError。
| 依赖名称 | 最低版本 | 注意 |
|---|---|---|
| BeautifulSoup4 | 4.6.0 | HTML parser for read_html (see note) |
| Jinja2 | Conditional formatting with DataFrame.style | |
| PyQt4 | Clipboard I/O | |
| PyQt5 | Clipboard I/O | |
| PyTables | 3.4.2 | HDF5-based reading / writing |
| SQLAlchemy | 1.1.4 | SQL support for databases other than sqlite |
| SciPy | 0.19.0 | Miscellaneous statistical functions |
| XLsxWriter | 0.9.8 | Excel writing |
| blosc | Compression for msgpack | |
| fastparquet | 0.2.1 | Parquet reading / writing |
| gcsfs | 0.2.2 | Google Cloud Storage access |
| html5lib | HTML parser for read_html (see note) | |
| lxml | 3.8.0 | HTML parser for read_html (see note) |
| matplotlib | 2.2.2 | Visualization |
| openpyxl | 2.4.8 | Reading / writing for xlsx files |
| pandas-gbq | 0.8.0 | Google Big Query access |
| psycopg2 | PostgreSQL engine for sqlalchemy | |
| pyarrow | 0.9.0 | Parquet and feather reading / writing |
| pymysql | 0.7.11 | MySQL engine for sqlalchemy |
| pyreadstat | SPSS files (.sav) reading | |
| pytables | 3.4.2 | HDF5 reading / writing |
| qtpy | Clipboard I/O | |
| s3fs | 0.0.8 | Amazon S3 access |
| xarray | 0.8.2 | pandas-like API for N-dimensional data |
| xclip | Clipboard I/O on linux | |
| xlrd | 1.1.0 | Excel reading |
| xlwt | 1.2.0 | Excel writing |
| xsel | Clipboard I/O on linux | |
| zlib | Compression for msgpack |
用于解析HTML的可选依赖项
要使用顶级read_html()函数，需要以下一种库组合：
Changed in version 0.23.0.
- BeautifulSoup4 和 html5lib
- BeautifulSoup4 和 lxml
- BeautifulSoup4 和 html5lib 和 lxml
- 只有 lxml，请参阅HTML表解析，以了解为什么您可能不应该采用这种方法。
警告
- 如果您安装BeautifulSoup4，您必须安装lxml或html5lib或两个都安装。
read_html()不能只安装 BeautifulSoup4。 - 我们强烈建议您阅读 HTML表解析之坑。 它解释了有关上述三个库的安装和使用的问题。