Pandas (Python Data Analysis Library) es la **herramienta fundamental para manipulación y análisis de datos tabulares/series temporales en Python**. Potente, flexible, estándar de facto en ciencia de datos.
pd.read_* / df.to_*.dropna, fillna, interpolate), parsing fechas (to_datetime), conversión tipos (astype), renombrado, deduplicación, reemplazo valores, strings vectorizados (.str accessor).describe(), correlaciones (corr()), covarianza, cuartiles, value_counts, crosstab, sampling.asfreq), remuestreo (resample: down/up-sampling, agregación), ventanas rodantes (rolling, expanding, ewm), desplazamiento (shift), zonas horarias.df.plot() (matplotlib backend): line, bar, hist, box, kde, scatter, hexbin, pie, area. Facilita EDA rápido.get_dummies, factorize), escalado, selección características, pipelines con scikit-learn.apply/map/applymap, funciones vectorizadas numba, acceso interno ._data, backends alternativos (PyArrow, Polars interop).Se integra nativamente con **NumPy, Matplotlib/Seaborn/Plotly, Scikit-learn, Statsmodels, SciPy, Jupyter, PySpark (Koalas/pandas-on-Spark), Dask, Ray, Polars**. Base para feature-engine, pandas-profiling (ydata-profiling), great_expectations.
En resumen: Pandas = navaja suiza del data scientist en Python. Limpia, transforma, analiza, visualiza, prepara para ML.