用途：pandas 面向 Python 内存中的表格数据操作与分析，用于清洗、转换、合并、重塑业务数据，也用于时间序列分析、重采样和探索性数据准备与特征工程。
主要能力：DataFrame 与 Series 数据结构，索引、分组聚合、合并、透视表；日期范围索引、滚动窗口计算与周期重采样；Pandas 2.0 及以上可使用 PyArrow 后端与 Arrow 字符串类型；提供 query、assign、pipe 等链式写法，以及写时复制（CoW）内存管理。
使用方式：通过 import pandas as pd 引入；用 pd.read_csv 读取数据，读取时可用 dtype_backend='pyarrow'、parse_dates 等参数；用 groupby 配合 agg 汇总，用 assign/query 构建链式管道，用 rolling 与 resample 处理时间序列。对切片赋值应使用 .loc[row_indexer, col_indexer] 或先 .copy()，以避免 SettingWithCopyWarning。
适用场景：中小规模内存表格数据的清洗与汇总、分组统计、指标计算、特征工程、金融时间序列的移动平均与重采样等。
限制与注意：资料未提供性能基准的完整条件、收费或价格信息，也未给出全部 API 说明。建议目标为 Pandas 2.2+；不要用 iterrows 或 itertuples 逐行迭代替代向量化操作；inplace=True 在新版本中已弃用；避免在循环中频繁拼接 DataFrame，应收集后一次调用 pd.concat。遇到列名含空白可先 df.columns = df.columns.str.strip()，混合类型 CSV 可在 read_csv 中显式指定 dtype。是否适用于超大数据需另行评估。