--- /srv/reproducible-results/rbuild-debian/r-b-build.PITGbFln/b1/pandas_2.2.3+dfsg-1_arm64.changes +++ /srv/reproducible-results/rbuild-debian/r-b-build.PITGbFln/b2/pandas_2.2.3+dfsg-1_arm64.changes ├── Files │ @@ -1,5 +1,5 @@ │ │ - 5542274dfb0518cbc3c99d19982f345e 10499532 doc optional python-pandas-doc_2.2.3+dfsg-1_all.deb │ - 7ae7ae31bfc057b12d3c152f2614b56d 35714512 debug optional python3-pandas-lib-dbgsym_2.2.3+dfsg-1_arm64.deb │ - b76e15c1e820299006f9549029ecd6f3 3743380 python optional python3-pandas-lib_2.2.3+dfsg-1_arm64.deb │ + 617038f52a5a71ac91096240477a20b4 10495820 doc optional python-pandas-doc_2.2.3+dfsg-1_all.deb │ + 227cdd616e5ca815f0537ce227bffb24 35714232 debug optional python3-pandas-lib-dbgsym_2.2.3+dfsg-1_arm64.deb │ + 4600b2257dfb6a9e9594b1603e796c0c 3743092 python optional python3-pandas-lib_2.2.3+dfsg-1_arm64.deb │ 76ff629a41b4030ad9e3d6891f404b48 3096020 python optional python3-pandas_2.2.3+dfsg-1_all.deb ├── python-pandas-doc_2.2.3+dfsg-1_all.deb │ ├── file list │ │ @@ -1,3 +1,3 @@ │ │ -rw-r--r-- 0 0 0 4 2024-09-21 16:21:40.000000 debian-binary │ │ -rw-r--r-- 0 0 0 147504 2024-09-21 16:21:40.000000 control.tar.xz │ │ --rw-r--r-- 0 0 0 10351836 2024-09-21 16:21:40.000000 data.tar.xz │ │ +-rw-r--r-- 0 0 0 10348124 2024-09-21 16:21:40.000000 data.tar.xz │ ├── control.tar.xz │ │ ├── control.tar │ │ │ ├── ./control │ │ │ │ @@ -1,13 +1,13 @@ │ │ │ │ Package: python-pandas-doc │ │ │ │ Source: pandas │ │ │ │ Version: 2.2.3+dfsg-1 │ │ │ │ Architecture: all │ │ │ │ Maintainer: Debian Science Team │ │ │ │ -Installed-Size: 197273 │ │ │ │ +Installed-Size: 197292 │ │ │ │ Depends: libjs-sphinxdoc (>= 7.4), libjs-mathjax │ │ │ │ Suggests: python3-pandas │ │ │ │ Section: doc │ │ │ │ Priority: optional │ │ │ │ Multi-Arch: foreign │ │ │ │ Homepage: https://pandas.pydata.org/ │ │ │ │ Description: data structures for "relational" or "labeled" data - documentation │ │ │ ├── ./md5sums │ │ │ │ ├── ./md5sums │ │ │ │ │┄ Files differ │ ├── data.tar.xz │ │ ├── data.tar │ │ │ ├── file list │ │ │ │ @@ -4339,15 +4339,15 @@ │ │ │ │ -rw-r--r-- 0 root (0) root (0) 44766 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.DatetimeTZDtype.tz.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 44782 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.DatetimeTZDtype.unit.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 19076 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.ExcelFile.book.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 26581 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.ExcelFile.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 22864 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.ExcelFile.parse.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 19128 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.ExcelFile.sheet_names.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 45304 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.ExcelWriter.html │ │ │ │ --rw-r--r-- 0 root (0) root (0) 47842 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.Flags.html │ │ │ │ +-rw-r--r-- 0 root (0) root (0) 65077 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.Flags.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 45346 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.Float32Dtype.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 45330 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.Float64Dtype.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 51119 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.Grouper.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 27266 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.HDFStore.append.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 21271 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.HDFStore.get.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 21274 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.HDFStore.groups.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 21129 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.HDFStore.info.html │ │ │ │ @@ -5499,17 +5499,17 @@ │ │ │ │ -rw-r--r-- 0 root (0) root (0) 22454 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.set_uuid.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 18990 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.template_html.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 19084 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.template_html_style.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 19088 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.template_html_table.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 19047 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.template_latex.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 19000 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.template_string.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 34222 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.text_gradient.html │ │ │ │ --rw-r--r-- 0 root (0) root (0) 33073 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.to_excel.html │ │ │ │ --rw-r--r-- 0 root (0) root (0) 29484 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.to_html.html │ │ │ │ --rw-r--r-- 0 root (0) root (0) 75475 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.to_latex.html │ │ │ │ +-rw-r--r-- 0 root (0) root (0) 33392 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.to_excel.html │ │ │ │ +-rw-r--r-- 0 root (0) root (0) 29803 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.to_html.html │ │ │ │ +-rw-r--r-- 0 root (0) root (0) 75794 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.to_latex.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 24564 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.to_string.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 23142 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.use.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 24197 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.json.build_table_schema.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 254 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.json.json_normalize.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 21877 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.stata.StataReader.data_label.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 22877 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.stata.StataReader.value_labels.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 22908 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.stata.StataReader.variable_labels.html │ │ │ │ @@ -6256,47 +6256,47 @@ │ │ │ │ -rw-r--r-- 0 root (0) root (0) 206416 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/series.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 38771 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/style.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 38909 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/testing.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 43513 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reference/window.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 244 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/release.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 269 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/reshaping.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 7370 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/search.html │ │ │ │ --rw-r--r-- 0 root (0) root (0) 2358625 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/searchindex.js │ │ │ │ +-rw-r--r-- 0 root (0) root (0) 2358692 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/searchindex.js │ │ │ │ -rw-r--r-- 0 root (0) root (0) 259 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/sparse.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 244 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/style.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 255 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/text.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 256 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/timedeltas.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 277 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/timeseries.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 272 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/tutorials.html │ │ │ │ drwxr-xr-x 0 root (0) root (0) 0 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/ │ │ │ │ -rw-r--r-- 0 root (0) root (0) 161368 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/10min.html │ │ │ │ --rw-r--r-- 0 root (0) root (0) 274175 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/advanced.html │ │ │ │ +-rw-r--r-- 0 root (0) root (0) 274170 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/advanced.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 426486 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/basics.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 26009 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/boolean.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 207638 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/categorical.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 7710 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/cookbook.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 55618 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/copy_on_write.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 150182 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/dsintro.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 70826 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/duplicates.html │ │ │ │ --rw-r--r-- 0 root (0) root (0) 105346 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/enhancingperf.html │ │ │ │ +-rw-r--r-- 0 root (0) root (0) 105370 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/enhancingperf.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 97622 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/gotchas.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 291204 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/groupby.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 49266 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/index.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 385909 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/indexing.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 31200 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/integer_na.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 1138495 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/io.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 198947 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/merging.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 168461 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/missing_data.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 101657 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/options.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 136945 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/pyarrow.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 152672 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/reshaping.html │ │ │ │ --rw-r--r-- 0 root (0) root (0) 105028 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/scale.html │ │ │ │ +-rw-r--r-- 0 root (0) root (0) 105027 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/scale.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 55141 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/sparse.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 688567 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/style.html │ │ │ │ --rw-r--r-- 0 root (0) root (0) 87866 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/style.ipynb.gz │ │ │ │ +-rw-r--r-- 0 root (0) root (0) 87896 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/style.ipynb.gz │ │ │ │ -rw-r--r-- 0 root (0) root (0) 154949 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/text.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 90572 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/timedeltas.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 477039 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/timeseries.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 192397 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/visualization.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 131481 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/user_guide/window.html │ │ │ │ -rw-r--r-- 0 root (0) root (0) 270 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/visualization.html │ │ │ │ drwxr-xr-x 0 root (0) root (0) 0 2024-09-21 16:21:40.000000 ./usr/share/doc/python-pandas-doc/html/whatsnew/ │ │ │ ├── ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.Flags.html │ │ │ │ @@ -162,1152 +162,1767 @@ │ │ │ │ │ │ │ │ │ │ │ │
  • │ │ │ │ │ │ │ │ General functions │ │ │ │ │ │ │ │
    • │ │ │ │ -
  • │ │ │ │ +
  • │ │ │ │ │ │ │ │ Series │ │ │ │ │ │ │ │ -
    • │ │ │ │ -
  • │ │ │ │ - │ │ │ │ - DataFrame │ │ │ │ - │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │
    • │ │ │ │
  • │ │ │ │ + │ │ │ │ + DataFrame │ │ │ │ + │ │ │ │ +
    • │ │ │ │ +
  • │ │ │ │ │ │ │ │ pandas arrays, scalars, and data types │ │ │ │ │ │ │ │
    • │ │ │ │
  • │ │ │ │ │ │ │ │ Index objects │ │ │ │ ├── html2text {} │ │ │ │ │ @@ -6,240 +6,363 @@ │ │ │ │ │ * _R_e_l_e_a_s_e_ _n_o_t_e_s │ │ │ │ │ * _G_i_t_H_u_b │ │ │ │ │ * _T_w_i_t_t_e_r │ │ │ │ │ * _M_a_s_t_o_d_o_n │ │ │ │ │ [Unknown INPUT type] │ │ │ │ │ * _I_n_p_u_t_/_o_u_t_p_u_t │ │ │ │ │ * _G_e_n_e_r_a_l_ _f_u_n_c_t_i_o_n_s │ │ │ │ │ - * _S_e_r_i_e_s │ │ │ │ │ - * _D_a_t_a_F_r_a_m_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_n_d_e_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_o_l_u_m_n_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._d_t_y_p_e_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_n_f_o │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_e_l_e_c_t___d_t_y_p_e_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._v_a_l_u_e_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_x_e_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._n_d_i_m │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_i_z_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_h_a_p_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_e_m_o_r_y___u_s_a_g_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._e_m_p_t_y │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_e_t___f_l_a_g_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_s_t_y_p_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_o_n_v_e_r_t___d_t_y_p_e_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_n_f_e_r___o_b_j_e_c_t_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_o_p_y │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._b_o_o_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___n_u_m_p_y │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._h_e_a_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_a_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._l_o_c │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_l_o_c │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_n_s_e_r_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._____i_t_e_r____ │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_t_e_m_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._k_e_y_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_t_e_r_r_o_w_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_t_e_r_t_u_p_l_e_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_o_p │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_a_i_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._x_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._g_e_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_s_i_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._w_h_e_r_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_a_s_k │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._q_u_e_r_y │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._____a_d_d____ │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_d_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_u_b │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_u_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._d_i_v │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_r_u_e_d_i_v │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._f_l_o_o_r_d_i_v │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_o_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_o_w │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._d_o_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_a_d_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_s_u_b │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_m_u_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_d_i_v │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_t_r_u_e_d_i_v │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_f_l_o_o_r_d_i_v │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_m_o_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_p_o_w │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._l_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._g_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._l_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._g_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._n_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._e_q │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_o_m_b_i_n_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_o_m_b_i_n_e___f_i_r_s_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_p_p_l_y │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_a_p │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_p_p_l_y_m_a_p │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_i_p_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_g_g │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_g_g_r_e_g_a_t_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_r_a_n_s_f_o_r_m │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._g_r_o_u_p_b_y │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_o_l_l_i_n_g │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._e_x_p_a_n_d_i_n_g │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._e_w_m │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_b_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_l_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_n_y │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_l_i_p │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_o_r_r │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_o_r_r_w_i_t_h │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_o_u_n_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_o_v │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_u_m_m_a_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_u_m_m_i_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_u_m_p_r_o_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_u_m_s_u_m │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._d_e_s_c_r_i_b_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._d_i_f_f │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._e_v_a_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._k_u_r_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._k_u_r_t_o_s_i_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_a_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_e_a_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_e_d_i_a_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_i_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_o_d_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_c_t___c_h_a_n_g_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_r_o_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_r_o_d_u_c_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._q_u_a_n_t_i_l_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_a_n_k │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_o_u_n_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_e_m │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_k_e_w │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_u_m │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_t_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._v_a_r │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._n_u_n_i_q_u_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._v_a_l_u_e___c_o_u_n_t_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_d_d___p_r_e_f_i_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_d_d___s_u_f_f_i_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_l_i_g_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_t___t_i_m_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._b_e_t_w_e_e_n___t_i_m_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._d_r_o_p │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._d_r_o_p___d_u_p_l_i_c_a_t_e_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._d_u_p_l_i_c_a_t_e_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._e_q_u_a_l_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._f_i_l_t_e_r │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._f_i_r_s_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._h_e_a_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_d_x_m_a_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_d_x_m_i_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._l_a_s_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_e_i_n_d_e_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_e_i_n_d_e_x___l_i_k_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_e_n_a_m_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_e_n_a_m_e___a_x_i_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_e_s_e_t___i_n_d_e_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_a_m_p_l_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_e_t___a_x_i_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_e_t___i_n_d_e_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_a_i_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_a_k_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_r_u_n_c_a_t_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._b_a_c_k_f_i_l_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._b_f_i_l_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._d_r_o_p_n_a │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._f_f_i_l_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._f_i_l_l_n_a │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_n_t_e_r_p_o_l_a_t_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_s_n_a │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._i_s_n_u_l_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._n_o_t_n_a │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._n_o_t_n_u_l_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_a_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_e_p_l_a_c_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._d_r_o_p_l_e_v_e_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_i_v_o_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_i_v_o_t___t_a_b_l_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_e_o_r_d_e_r___l_e_v_e_l_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_o_r_t___v_a_l_u_e_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_o_r_t___i_n_d_e_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._n_l_a_r_g_e_s_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._n_s_m_a_l_l_e_s_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_w_a_p_l_e_v_e_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_t_a_c_k │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._u_n_s_t_a_c_k │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_w_a_p_a_x_e_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_e_l_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._e_x_p_l_o_d_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_q_u_e_e_z_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___x_a_r_r_a_y │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._T │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_r_a_n_s_p_o_s_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_s_s_i_g_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._c_o_m_p_a_r_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._j_o_i_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._m_e_r_g_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._u_p_d_a_t_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_s_f_r_e_q │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_s_o_f │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_h_i_f_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._f_i_r_s_t___v_a_l_i_d___i_n_d_e_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._l_a_s_t___v_a_l_i_d___i_n_d_e_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._r_e_s_a_m_p_l_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___p_e_r_i_o_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___t_i_m_e_s_t_a_m_p │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_z___c_o_n_v_e_r_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_z___l_o_c_a_l_i_z_e │ │ │ │ │ + * _S_e_r_i_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_n_d_e_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_r_r_a_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._v_a_l_u_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_y_p_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_h_a_p_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._n_b_y_t_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._n_d_i_m │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_i_z_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._T │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._m_e_m_o_r_y___u_s_a_g_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._h_a_s_n_a_n_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._e_m_p_t_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_y_p_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._n_a_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._f_l_a_g_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_e_t___f_l_a_g_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_s_t_y_p_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_o_n_v_e_r_t___d_t_y_p_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_n_f_e_r___o_b_j_e_c_t_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_o_p_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._b_o_o_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___n_u_m_p_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___p_e_r_i_o_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___t_i_m_e_s_t_a_m_p │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___l_i_s_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._____a_r_r_a_y____ │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._g_e_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_a_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._l_o_c │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_l_o_c │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._____i_t_e_r____ │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_t_e_m_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._k_e_y_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_o_p │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_t_e_m │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._x_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_d_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_u_b │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._m_u_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_i_v │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_r_u_e_d_i_v │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._f_l_o_o_r_d_i_v │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._m_o_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_o_w │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_a_d_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_s_u_b │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_m_u_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_d_i_v │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_t_r_u_e_d_i_v │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_f_l_o_o_r_d_i_v │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_m_o_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_p_o_w │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_o_m_b_i_n_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_o_m_b_i_n_e___f_i_r_s_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_o_u_n_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._l_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._g_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._l_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._g_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._n_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._e_q │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_r_o_d_u_c_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_o_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_p_p_l_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_g_g │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_g_g_r_e_g_a_t_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_r_a_n_s_f_o_r_m │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._m_a_p │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._g_r_o_u_p_b_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_o_l_l_i_n_g │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._e_x_p_a_n_d_i_n_g │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._e_w_m │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_i_p_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_b_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_l_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_n_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_u_t_o_c_o_r_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._b_e_t_w_e_e_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_l_i_p │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_o_r_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_o_u_n_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_o_v │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_u_m_m_a_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_u_m_m_i_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_u_m_p_r_o_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_u_m_s_u_m │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_e_s_c_r_i_b_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_i_f_f │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._f_a_c_t_o_r_i_z_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._k_u_r_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._m_a_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._m_e_a_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._m_e_d_i_a_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._m_i_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._m_o_d_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._n_l_a_r_g_e_s_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._n_s_m_a_l_l_e_s_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_c_t___c_h_a_n_g_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_r_o_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._q_u_a_n_t_i_l_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_a_n_k │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_e_m │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_k_e_w │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_u_m │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._v_a_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._k_u_r_t_o_s_i_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._u_n_i_q_u_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._n_u_n_i_q_u_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_s___u_n_i_q_u_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_s___m_o_n_o_t_o_n_i_c___i_n_c_r_e_a_s_i_n_g │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_s___m_o_n_o_t_o_n_i_c___d_e_c_r_e_a_s_i_n_g │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._v_a_l_u_e___c_o_u_n_t_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_l_i_g_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_s_e___w_h_e_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_r_o_p │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_r_o_p_l_e_v_e_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_r_o_p___d_u_p_l_i_c_a_t_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_u_p_l_i_c_a_t_e_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._e_q_u_a_l_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._f_i_r_s_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._h_e_a_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_d_x_m_a_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_d_x_m_i_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_s_i_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._l_a_s_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_e_i_n_d_e_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_e_i_n_d_e_x___l_i_k_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_e_n_a_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_e_n_a_m_e___a_x_i_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_e_s_e_t___i_n_d_e_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_a_m_p_l_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_e_t___a_x_i_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_a_k_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_a_i_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_r_u_n_c_a_t_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._w_h_e_r_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._m_a_s_k │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_d_d___p_r_e_f_i_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_d_d___s_u_f_f_i_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._f_i_l_t_e_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._b_a_c_k_f_i_l_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._b_f_i_l_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_r_o_p_n_a │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._f_f_i_l_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._f_i_l_l_n_a │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_n_t_e_r_p_o_l_a_t_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_s_n_a │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._i_s_n_u_l_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._n_o_t_n_a │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._n_o_t_n_u_l_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_a_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_e_p_l_a_c_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_r_g_s_o_r_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_r_g_m_i_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_r_g_m_a_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_e_o_r_d_e_r___l_e_v_e_l_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_o_r_t___v_a_l_u_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_o_r_t___i_n_d_e_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_w_a_p_l_e_v_e_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._u_n_s_t_a_c_k │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._e_x_p_l_o_d_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_e_a_r_c_h_s_o_r_t_e_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_a_v_e_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_e_p_e_a_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_q_u_e_e_z_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._v_i_e_w │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_o_m_p_a_r_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._u_p_d_a_t_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_s_f_r_e_q │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_s_o_f │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_h_i_f_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._f_i_r_s_t___v_a_l_i_d___i_n_d_e_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._l_a_s_t___v_a_l_i_d___i_n_d_e_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._r_e_s_a_m_p_l_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_z___c_o_n_v_e_r_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_z___l_o_c_a_l_i_z_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_t___t_i_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._b_e_t_w_e_e_n___t_i_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_p_a_r_s_e │ │ │ │ │ + o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_p_a_r_s_e │ │ │ │ │ + o _p_a_n_d_a_s_._I_n_d_e_x_._s_t_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_t_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._t_i_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._t_i_m_e_t_z │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._y_e_a_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._m_o_n_t_h │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._h_o_u_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._m_i_n_u_t_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._s_e_c_o_n_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._m_i_c_r_o_s_e_c_o_n_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._n_a_n_o_s_e_c_o_n_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_y_o_f_w_e_e_k │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_y___o_f___w_e_e_k │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._w_e_e_k_d_a_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_y_o_f_y_e_a_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_y___o_f___y_e_a_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_y_s___i_n___m_o_n_t_h │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._q_u_a_r_t_e_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._i_s___m_o_n_t_h___s_t_a_r_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._i_s___m_o_n_t_h___e_n_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._i_s___q_u_a_r_t_e_r___s_t_a_r_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._i_s___q_u_a_r_t_e_r___e_n_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._i_s___y_e_a_r___s_t_a_r_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._i_s___y_e_a_r___e_n_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._i_s___l_e_a_p___y_e_a_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_y_s_i_n_m_o_n_t_h │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_y_s___i_n___m_o_n_t_h │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._t_z │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._f_r_e_q │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._u_n_i_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._i_s_o_c_a_l_e_n_d_a_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._t_o___p_e_r_i_o_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._t_o___p_y_d_a_t_e_t_i_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._t_z___l_o_c_a_l_i_z_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._t_z___c_o_n_v_e_r_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._n_o_r_m_a_l_i_z_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._s_t_r_f_t_i_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._r_o_u_n_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._f_l_o_o_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._c_e_i_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._m_o_n_t_h___n_a_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_y___n_a_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._a_s___u_n_i_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._q_y_e_a_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._s_t_a_r_t___t_i_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._e_n_d___t_i_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._d_a_y_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._s_e_c_o_n_d_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._m_i_c_r_o_s_e_c_o_n_d_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._n_a_n_o_s_e_c_o_n_d_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._c_o_m_p_o_n_e_n_t_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._u_n_i_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._t_o___p_y_t_i_m_e_d_e_l_t_a │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._t_o_t_a_l___s_e_c_o_n_d_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._d_t_._a_s___u_n_i_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._c_a_p_i_t_a_l_i_z_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._c_a_s_e_f_o_l_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._c_a_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._c_e_n_t_e_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._c_o_n_t_a_i_n_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._c_o_u_n_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._d_e_c_o_d_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._e_n_c_o_d_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._e_n_d_s_w_i_t_h │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._e_x_t_r_a_c_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._e_x_t_r_a_c_t_a_l_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._f_i_n_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._f_i_n_d_a_l_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._f_u_l_l_m_a_t_c_h │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._g_e_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._i_n_d_e_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._j_o_i_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._l_e_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._l_j_u_s_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._l_o_w_e_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._l_s_t_r_i_p │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._m_a_t_c_h │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._n_o_r_m_a_l_i_z_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._p_a_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._p_a_r_t_i_t_i_o_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._r_e_m_o_v_e_p_r_e_f_i_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._r_e_m_o_v_e_s_u_f_f_i_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._r_e_p_e_a_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._r_e_p_l_a_c_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._r_f_i_n_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._r_i_n_d_e_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._r_j_u_s_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._r_p_a_r_t_i_t_i_o_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._r_s_t_r_i_p │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._s_l_i_c_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._s_l_i_c_e___r_e_p_l_a_c_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._s_p_l_i_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._r_s_p_l_i_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._s_t_a_r_t_s_w_i_t_h │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._s_t_r_i_p │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._s_w_a_p_c_a_s_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._t_i_t_l_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._t_r_a_n_s_l_a_t_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._u_p_p_e_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._w_r_a_p │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._z_f_i_l_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._i_s_a_l_n_u_m │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._i_s_a_l_p_h_a │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._i_s_d_i_g_i_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._i_s_s_p_a_c_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._i_s_l_o_w_e_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._i_s_u_p_p_e_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._i_s_t_i_t_l_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._i_s_n_u_m_e_r_i_c │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._i_s_d_e_c_i_m_a_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_._g_e_t___d_u_m_m_i_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._c_a_t_e_g_o_r_i_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._o_r_d_e_r_e_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._c_o_d_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._r_e_n_a_m_e___c_a_t_e_g_o_r_i_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._r_e_o_r_d_e_r___c_a_t_e_g_o_r_i_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._a_d_d___c_a_t_e_g_o_r_i_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._r_e_m_o_v_e___c_a_t_e_g_o_r_i_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._r_e_m_o_v_e___u_n_u_s_e_d___c_a_t_e_g_o_r_i_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._s_e_t___c_a_t_e_g_o_r_i_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._a_s___o_r_d_e_r_e_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._c_a_t_._a_s___u_n_o_r_d_e_r_e_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_p_a_r_s_e_._n_p_o_i_n_t_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_p_a_r_s_e_._d_e_n_s_i_t_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_p_a_r_s_e_._f_i_l_l___v_a_l_u_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_p_a_r_s_e_._s_p___v_a_l_u_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_p_a_r_s_e_._f_r_o_m___c_o_o │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_p_a_r_s_e_._t_o___c_o_o │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._l_i_s_t_._f_l_a_t_t_e_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._l_i_s_t_._l_e_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._l_i_s_t_._____g_e_t_i_t_e_m____ │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_u_c_t_._d_t_y_p_e_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_u_c_t_._f_i_e_l_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._s_t_r_u_c_t_._e_x_p_l_o_d_e │ │ │ │ │ o _p_a_n_d_a_s_._F_l_a_g_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._a_t_t_r_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._a_r_e_a │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._b_a_r │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._b_a_r_h │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._b_o_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._d_e_n_s_i_t_y │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._h_e_x_b_i_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._h_i_s_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._k_d_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._l_i_n_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._p_i_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._p_l_o_t_._s_c_a_t_t_e_r │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._b_o_x_p_l_o_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._h_i_s_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_p_a_r_s_e_._d_e_n_s_i_t_y │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_p_a_r_s_e_._f_r_o_m___s_p_m_a_t_r_i_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_p_a_r_s_e_._t_o___c_o_o │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_p_a_r_s_e_._t_o___d_e_n_s_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._f_r_o_m___d_i_c_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._f_r_o_m___r_e_c_o_r_d_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___o_r_c │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___p_a_r_q_u_e_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___p_i_c_k_l_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___c_s_v │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___h_d_f │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___s_q_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___d_i_c_t │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___e_x_c_e_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___j_s_o_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___h_t_m_l │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___f_e_a_t_h_e_r │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___l_a_t_e_x │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___s_t_a_t_a │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___g_b_q │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___r_e_c_o_r_d_s │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___s_t_r_i_n_g │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___c_l_i_p_b_o_a_r_d │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._t_o___m_a_r_k_d_o_w_n │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._s_t_y_l_e │ │ │ │ │ - o _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._____d_a_t_a_f_r_a_m_e____ │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._a_t_t_r_s │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_l_o_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_l_o_t_._a_r_e_a │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_l_o_t_._b_a_r │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_l_o_t_._b_a_r_h │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_l_o_t_._b_o_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_l_o_t_._d_e_n_s_i_t_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_l_o_t_._h_i_s_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_l_o_t_._k_d_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_l_o_t_._l_i_n_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._p_l_o_t_._p_i_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._h_i_s_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___p_i_c_k_l_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___c_s_v │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___d_i_c_t │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___e_x_c_e_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___f_r_a_m_e │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___x_a_r_r_a_y │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___h_d_f │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___s_q_l │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___j_s_o_n │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___s_t_r_i_n_g │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___c_l_i_p_b_o_a_r_d │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___l_a_t_e_x │ │ │ │ │ + o _p_a_n_d_a_s_._S_e_r_i_e_s_._t_o___m_a_r_k_d_o_w_n │ │ │ │ │ + * _D_a_t_a_F_r_a_m_e │ │ │ │ │ * _p_a_n_d_a_s_ _a_r_r_a_y_s_,_ _s_c_a_l_a_r_s_,_ _a_n_d_ _d_a_t_a_ _t_y_p_e_s │ │ │ │ │ * _I_n_d_e_x_ _o_b_j_e_c_t_s │ │ │ │ │ * _D_a_t_e_ _o_f_f_s_e_t_s │ │ │ │ │ * _W_i_n_d_o_w │ │ │ │ │ * _G_r_o_u_p_B_y │ │ │ │ │ * _R_e_s_a_m_p_l_i_n_g │ │ │ │ │ * _S_t_y_l_e │ │ │ ├── ./usr/share/doc/python-pandas-doc/html/reference/api/pandas.io.formats.style.Styler.to_excel.html │ │ │ │ @@ -152,287 +152,352 @@ │ │ │ │
    │ │ │ │ │ │ │ │ │ │ │ │
    │ │ │ │ 
    In [9]: %timeit df.apply(lambda x: integrate_f_plain(x["a"], x["b"], x["N"]), axis=1)
│ │ │ │ -75.1 ms +- 103 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +249 ms +- 52.3 ms per loop (mean +- std. dev. of 7 runs, 1 loop each)
│ │ │ │
    │ │ │ │
    │ │ │ │

    This has improved the performance compared to the pure Python approach by one-third.

    │ │ │ │ │ │ │ │
    │ │ │ │

    Declaring C types

    │ │ │ │

    We can annotate the function variables and return types as well as use cdef │ │ │ │ @@ -595,36 +595,36 @@ │ │ │ │ ....: for i in range(N): │ │ │ │ ....: s += f_typed(a + i * dx) │ │ │ │ ....: return s * dx │ │ │ │ ....: │ │ │ │ │ │ │ │ │ │ │ │ 

    In [11]: %timeit df.apply(lambda x: integrate_f_typed(x["a"], x["b"], x["N"]), axis=1)
│ │ │ │ -8.93 ms +- 4.9 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ +38.2 ms +- 3.58 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │

    Annotating the functions with C types yields an over ten times performance improvement compared to │ │ │ │ the original Python implementation.

    │ │ │ │
    │ │ │ │
    │ │ │ │

    Using ndarray

    │ │ │ │

    When re-profiling, time is spent creating a Series from each row, and calling __getitem__ from both │ │ │ │ the index and the series (three times for each row). These Python function calls are expensive and │ │ │ │ can be improved by passing an np.ndarray.

    │ │ │ │ 
    In [12]: %prun -l 4 df.apply(lambda x: integrate_f_typed(x["a"], x["b"], x["N"]), axis=1)
│ │ │ │ -         52528 function calls (52510 primitive calls) in 0.024 seconds
│ │ │ │ +         52528 function calls (52510 primitive calls) in 0.057 seconds
│ │ │ │  
│ │ │ │     Ordered by: internal time
│ │ │ │     List reduced from 157 to 4 due to restriction <4>
│ │ │ │  
│ │ │ │     ncalls  tottime  percall  cumtime  percall filename:lineno(function)
│ │ │ │ -     3000    0.004    0.000    0.015    0.000 series.py:1095(__getitem__)
│ │ │ │ -     3000    0.003    0.000    0.007    0.000 series.py:1220(_get_value)
│ │ │ │ -    16098    0.002    0.000    0.003    0.000 {built-in method builtins.isinstance}
│ │ │ │ -     3000    0.002    0.000    0.003    0.000 base.py:3777(get_loc)
│ │ │ │ +     3000    0.012    0.000    0.012    0.000 base.py:3777(get_loc)
│ │ │ │ +     1000    0.010    0.000    0.044    0.000 <string>:1(<lambda>)
│ │ │ │ +     3000    0.010    0.000    0.010    0.000 managers.py:2004(internal_values)
│ │ │ │ +     1006    0.006    0.000    0.006    0.000 generic.py:6301(__setattr__)
│ │ │ │
    │ │ │ │
    │ │ │ │ 
    In [13]: %%cython
│ │ │ │     ....: cimport numpy as np
│ │ │ │     ....: import numpy as np
│ │ │ │     ....: cdef double f_typed(double x) except? -2:
│ │ │ │     ....:     return x * (x - 1)
│ │ │ │ @@ -659,33 +659,33 @@
│ │ │ │
    │ │ │ │

    This implementation creates an array of zeros and inserts the result │ │ │ │ of integrate_f_typed applied over each row. Looping over an ndarray is faster │ │ │ │ in Cython than looping over a Series object.

    │ │ │ │

    Since apply_integrate_f is typed to accept an np.ndarray, Series.to_numpy() │ │ │ │ calls are needed to utilize this function.

    │ │ │ │ 
    In [14]: %timeit apply_integrate_f(df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy())
│ │ │ │ -1.17 ms +- 2.06 us per loop (mean +- std. dev. of 7 runs, 1,000 loops each)
│ │ │ │ +4.27 ms +- 337 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │

    Performance has improved from the prior implementation by almost ten times.

    │ │ │ │
    │ │ │ │
    │ │ │ │

    Disabling compiler directives

    │ │ │ │

    The majority of the time is now spent in apply_integrate_f. Disabling Cython’s boundscheck │ │ │ │ and wraparound checks can yield more performance.

    │ │ │ │ 
    In [15]: %prun -l 4 apply_integrate_f(df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy())
│ │ │ │ -         78 function calls in 0.002 seconds
│ │ │ │ +         78 function calls in 0.001 seconds
│ │ │ │  
│ │ │ │     Ordered by: internal time
│ │ │ │     List reduced from 21 to 4 due to restriction <4>
│ │ │ │  
│ │ │ │     ncalls  tottime  percall  cumtime  percall filename:lineno(function)
│ │ │ │          1    0.001    0.001    0.001    0.001 <string>:1(<module>)
│ │ │ │ -        1    0.000    0.000    0.001    0.001 {built-in method builtins.exec}
│ │ │ │          1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
│ │ │ │ +        1    0.000    0.000    0.001    0.001 {built-in method builtins.exec}
│ │ │ │          3    0.000    0.000    0.000    0.000 frame.py:4062(__getitem__)
│ │ │ │
    │ │ │ │
    │ │ │ │ 
    In [16]: %%cython
│ │ │ │     ....: cimport cython
│ │ │ │     ....: cimport numpy as np
│ │ │ │     ....: import numpy as np
│ │ │ │ @@ -719,15 +719,15 @@
│ │ │ │                   from /build/reproducible-path/pandas-2.2.3+dfsg/buildtmp/.cache/ipython/cython/_cython_magic_1beb7d842bd69f96ce1bb2d1a0cb43e06025bd15.c:1251:
│ │ │ │  /usr/lib/python3/dist-packages/numpy/core/include/numpy/npy_1_7_deprecated_api.h:17:2: warning: #warning "Using deprecated NumPy API, disable it with " "#define NPY_NO_DEPRECATED_API NPY_1_7_API_VERSION" [-Wcpp]
│ │ │ │     17 | #warning "Using deprecated NumPy API, disable it with " \
│ │ │ │        |  ^~~~~~~
│ │ │ │
    │ │ │ │
    │ │ │ │ 
    In [17]: %timeit apply_integrate_f_wrap(df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy())
│ │ │ │ -816 us +- 136 ns per loop (mean +- std. dev. of 7 runs, 1,000 loops each)
│ │ │ │ +3.17 ms +- 645 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │

    However, a loop indexer i accessing an invalid location in an array would cause a segfault because memory access isn’t checked. │ │ │ │ For more about boundscheck and wraparound, see the Cython docs on │ │ │ │ compiler directives.

    │ │ │ │
    │ │ │ │ │ │ │ │ @@ -1085,19 +1085,19 @@ │ │ │ │ compared to standard Python syntax for large DataFrame. This engine requires the │ │ │ │ optional dependency numexpr to be installed.

    │ │ │ │

    The 'python' engine is generally not useful except for testing │ │ │ │ other evaluation engines against it. You will achieve no performance │ │ │ │ benefits using eval() with engine='python' and may │ │ │ │ incur a performance hit.

    │ │ │ │ 
    In [40]: %timeit df1 + df2 + df3 + df4
│ │ │ │ -9.32 ms +- 30.5 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ +31.3 ms +- 2.25 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │ 
    In [41]: %timeit pd.eval("df1 + df2 + df3 + df4", engine="python")
│ │ │ │ -11.8 ms +- 58.3 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ +31.7 ms +- 2.67 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │ │ │ │ │
    │ │ │ │

    The DataFrame.eval() method

    │ │ │ │

    In addition to the top level pandas.eval() function you can also │ │ │ │ evaluate an expression in the “context” of a DataFrame.

    │ │ │ │ @@ -1212,39 +1212,39 @@ │ │ │ │ 
    In [58]: nrows, ncols = 20000, 100
│ │ │ │  
│ │ │ │  In [59]: df1, df2, df3, df4 = [pd.DataFrame(np.random.randn(nrows, ncols)) for _ in range(4)]
│ │ │ │
    │ │ │ │
    │ │ │ │

    DataFrame arithmetic:

    │ │ │ │ 
    In [60]: %timeit df1 + df2 + df3 + df4
│ │ │ │ -9.37 ms +- 64.9 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ +29.8 ms +- 1.96 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │ 
    In [61]: %timeit pd.eval("df1 + df2 + df3 + df4")
│ │ │ │ -6.48 ms +- 13.7 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ +15.2 ms +- 1.23 ms per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │

    DataFrame comparison:

    │ │ │ │ 
    In [62]: %timeit (df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)
│ │ │ │ -10.5 ms +- 151 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ +34.4 ms +- 2.38 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │ 
    In [63]: %timeit pd.eval("(df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)")
│ │ │ │ -11.1 ms +- 197 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ +26.5 ms +- 1.69 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │

    DataFrame arithmetic with unaligned axes.

    │ │ │ │ 
    In [64]: s = pd.Series(np.random.randn(50))
│ │ │ │  
│ │ │ │  In [65]: %timeit df1 + df2 + df3 + df4 + s
│ │ │ │ -20.3 ms +- 106 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +39.8 ms +- 6.05 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │ 
    In [66]: %timeit pd.eval("df1 + df2 + df3 + df4 + s")
│ │ │ │ -8.47 ms +- 57.9 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ +22 ms +- 1.81 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │
    │ │ │ │
    │ │ │ │
    │ │ │ │

    Note

    │ │ │ │

    Operations such as

    │ │ │ │ 
    1 and 2  # would parse to 1 & 2, but should evaluate to 2
│ │ │ │  3 or 4  # would parse to 3 | 4, but should evaluate to 3
│ │ │ │ ├── html2text {}
│ │ │ │ │ @@ -113,32 +113,33 @@
│ │ │ │ │     ...:     dx = (b - a) / N
│ │ │ │ │     ...:     for i in range(N):
│ │ │ │ │     ...:         s += f(a + i * dx)
│ │ │ │ │     ...:     return s * dx
│ │ │ │ │     ...:
│ │ │ │ │  We achieve our result by using _D_a_t_a_F_r_a_m_e_._a_p_p_l_y_(_) (row-wise):
│ │ │ │ │  In [5]: %timeit df.apply(lambda x: integrate_f(x["a"], x["b"], x["N"]), axis=1)
│ │ │ │ │ -74.5 ms +- 2.76 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │ +316 ms +- 11 ms per loop (mean +- std. dev. of 7 runs, 1 loop each)
│ │ │ │ │  Let’s take a look and see where the time is spent during this operation using
│ │ │ │ │  the _p_r_u_n_ _i_p_y_t_h_o_n_ _m_a_g_i_c_ _f_u_n_c_t_i_o_n:
│ │ │ │ │  # most time consuming 4 calls
│ │ │ │ │  In [6]: %prun -l 4 df.apply(lambda x: integrate_f(x["a"], x["b"], x["N"]),
│ │ │ │ │  axis=1)  # noqa E999
│ │ │ │ │ -         605951 function calls (605933 primitive calls) in 0.189 seconds
│ │ │ │ │ +         605951 function calls (605933 primitive calls) in 0.643 seconds
│ │ │ │ │  
│ │ │ │ │     Ordered by: internal time
│ │ │ │ │     List reduced from 159 to 4 due to restriction <4>
│ │ │ │ │  
│ │ │ │ │     ncalls  tottime  percall  cumtime  percall filename:lineno(function)
│ │ │ │ │ -     1000    0.112    0.000    0.166    0.000 :1
│ │ │ │ │ +     1000    0.372    0.000    0.555    0.001 :1
│ │ │ │ │  (integrate_f)
│ │ │ │ │ -   552423    0.053    0.000    0.053    0.000 :1
│ │ │ │ │ +   552423    0.183    0.000    0.183    0.000 :1
│ │ │ │ │  (f)
│ │ │ │ │ -     3000    0.004    0.000    0.015    0.000 series.py:1095(__getitem__)
│ │ │ │ │ -     3000    0.003    0.000    0.007    0.000 series.py:1220(_get_value)
│ │ │ │ │ +        1    0.016    0.016    0.016    0.016 {method 'disable' of
│ │ │ │ │ +'_lsprof.Profiler' objects}
│ │ │ │ │ +     3000    0.015    0.000    0.020    0.000 series.py:1220(_get_value)
│ │ │ │ │  By far the majority of time is spend inside either integrate_f or f, hence
│ │ │ │ │  we’ll concentrate our efforts cythonizing these two functions.
│ │ │ │ │  ******** PPllaaiinn CCyytthhoonn_?¶ ********
│ │ │ │ │  First we’re going to need to import the Cython magic function to IPython:
│ │ │ │ │  In [7]: %load_ext Cython
│ │ │ │ │  Now, let’s simply copy our functions over to Cython:
│ │ │ │ │  In [8]: %%cython
│ │ │ │ │ @@ -149,15 +150,15 @@
│ │ │ │ │     ...:     dx = (b - a) / N
│ │ │ │ │     ...:     for i in range(N):
│ │ │ │ │     ...:         s += f_plain(a + i * dx)
│ │ │ │ │     ...:     return s * dx
│ │ │ │ │     ...:
│ │ │ │ │  In [9]: %timeit df.apply(lambda x: integrate_f_plain(x["a"], x["b"], x["N"]),
│ │ │ │ │  axis=1)
│ │ │ │ │ -75.1 ms +- 103 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │ +249 ms +- 52.3 ms per loop (mean +- std. dev. of 7 runs, 1 loop each)
│ │ │ │ │  This has improved the performance compared to the pure Python approach by one-
│ │ │ │ │  third.
│ │ │ │ │  ******** DDeeccllaarriinngg CC ttyyppeess_?¶ ********
│ │ │ │ │  We can annotate the function variables and return types as well as use cdef and
│ │ │ │ │  cpdef to improve performance:
│ │ │ │ │  In [10]: %%cython
│ │ │ │ │     ....: cdef double f_typed(double x) except? -2:
│ │ │ │ │ @@ -169,35 +170,34 @@
│ │ │ │ │     ....:     dx = (b - a) / N
│ │ │ │ │     ....:     for i in range(N):
│ │ │ │ │     ....:         s += f_typed(a + i * dx)
│ │ │ │ │     ....:     return s * dx
│ │ │ │ │     ....:
│ │ │ │ │  In [11]: %timeit df.apply(lambda x: integrate_f_typed(x["a"], x["b"], x["N"]),
│ │ │ │ │  axis=1)
│ │ │ │ │ -8.93 ms +- 4.9 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │ +38.2 ms +- 3.58 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │  Annotating the functions with C types yields an over ten times performance
│ │ │ │ │  improvement compared to the original Python implementation.
│ │ │ │ │  ******** UUssiinngg nnddaarrrraayy_?¶ ********
│ │ │ │ │  When re-profiling, time is spent creating a _S_e_r_i_e_s from each row, and calling
│ │ │ │ │  __getitem__ from both the index and the series (three times for each row).
│ │ │ │ │  These Python function calls are expensive and can be improved by passing an
│ │ │ │ │  np.ndarray.
│ │ │ │ │  In [12]: %prun -l 4 df.apply(lambda x: integrate_f_typed(x["a"], x["b"], x
│ │ │ │ │  ["N"]), axis=1)
│ │ │ │ │ -         52528 function calls (52510 primitive calls) in 0.024 seconds
│ │ │ │ │ +         52528 function calls (52510 primitive calls) in 0.057 seconds
│ │ │ │ │  
│ │ │ │ │     Ordered by: internal time
│ │ │ │ │     List reduced from 157 to 4 due to restriction <4>
│ │ │ │ │  
│ │ │ │ │     ncalls  tottime  percall  cumtime  percall filename:lineno(function)
│ │ │ │ │ -     3000    0.004    0.000    0.015    0.000 series.py:1095(__getitem__)
│ │ │ │ │ -     3000    0.003    0.000    0.007    0.000 series.py:1220(_get_value)
│ │ │ │ │ -    16098    0.002    0.000    0.003    0.000 {built-in method
│ │ │ │ │ -builtins.isinstance}
│ │ │ │ │ -     3000    0.002    0.000    0.003    0.000 base.py:3777(get_loc)
│ │ │ │ │ +     3000    0.012    0.000    0.012    0.000 base.py:3777(get_loc)
│ │ │ │ │ +     1000    0.010    0.000    0.044    0.000 :1()
│ │ │ │ │ +     3000    0.010    0.000    0.010    0.000 managers.py:2004(internal_values)
│ │ │ │ │ +     1006    0.006    0.000    0.006    0.000 generic.py:6301(__setattr__)
│ │ │ │ │  In [13]: %%cython
│ │ │ │ │     ....: cimport numpy as np
│ │ │ │ │     ....: import numpy as np
│ │ │ │ │     ....: cdef double f_typed(double x) except? -2:
│ │ │ │ │     ....:     return x * (x - 1)
│ │ │ │ │     ....: cpdef double integrate_f_typed(double a, double b, int N):
│ │ │ │ │     ....:     cdef int i
│ │ │ │ │ @@ -238,31 +238,31 @@
│ │ │ │ │  This implementation creates an array of zeros and inserts the result of
│ │ │ │ │  integrate_f_typed applied over each row. Looping over an ndarray is faster in
│ │ │ │ │  Cython than looping over a _S_e_r_i_e_s object.
│ │ │ │ │  Since apply_integrate_f is typed to accept an np.ndarray, _S_e_r_i_e_s_._t_o___n_u_m_p_y_(_)
│ │ │ │ │  calls are needed to utilize this function.
│ │ │ │ │  In [14]: %timeit apply_integrate_f(df["a"].to_numpy(), df["b"].to_numpy(), df
│ │ │ │ │  ["N"].to_numpy())
│ │ │ │ │ -1.17 ms +- 2.06 us per loop (mean +- std. dev. of 7 runs, 1,000 loops each)
│ │ │ │ │ +4.27 ms +- 337 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │  Performance has improved from the prior implementation by almost ten times.
│ │ │ │ │  ******** DDiissaabblliinngg ccoommppiilleerr ddiirreeccttiivveess_?¶ ********
│ │ │ │ │  The majority of the time is now spent in apply_integrate_f. Disabling Cython’s
│ │ │ │ │  boundscheck and wraparound checks can yield more performance.
│ │ │ │ │  In [15]: %prun -l 4 apply_integrate_f(df["a"].to_numpy(), df["b"].to_numpy(),
│ │ │ │ │  df["N"].to_numpy())
│ │ │ │ │ -         78 function calls in 0.002 seconds
│ │ │ │ │ +         78 function calls in 0.001 seconds
│ │ │ │ │  
│ │ │ │ │     Ordered by: internal time
│ │ │ │ │     List reduced from 21 to 4 due to restriction <4>
│ │ │ │ │  
│ │ │ │ │     ncalls  tottime  percall  cumtime  percall filename:lineno(function)
│ │ │ │ │          1    0.001    0.001    0.001    0.001 :1()
│ │ │ │ │ -        1    0.000    0.000    0.001    0.001 {built-in method builtins.exec}
│ │ │ │ │          1    0.000    0.000    0.000    0.000 {method 'disable' of
│ │ │ │ │  '_lsprof.Profiler' objects}
│ │ │ │ │ +        1    0.000    0.000    0.001    0.001 {built-in method builtins.exec}
│ │ │ │ │          3    0.000    0.000    0.000    0.000 frame.py:4062(__getitem__)
│ │ │ │ │  In [16]: %%cython
│ │ │ │ │     ....: cimport cython
│ │ │ │ │     ....: cimport numpy as np
│ │ │ │ │     ....: import numpy as np
│ │ │ │ │     ....: cdef np.float64_t f_typed(np.float64_t x) except? -2:
│ │ │ │ │     ....:     return x * (x - 1)
│ │ │ │ │ @@ -301,15 +301,15 @@
│ │ │ │ │  /usr/lib/python3/dist-packages/numpy/core/include/numpy/
│ │ │ │ │  npy_1_7_deprecated_api.h:17:2: warning: #warning "Using deprecated NumPy API,
│ │ │ │ │  disable it with " "#define NPY_NO_DEPRECATED_API NPY_1_7_API_VERSION" [-Wcpp]
│ │ │ │ │     17 | #warning "Using deprecated NumPy API, disable it with " \
│ │ │ │ │        |  ^~~~~~~
│ │ │ │ │  In [17]: %timeit apply_integrate_f_wrap(df["a"].to_numpy(), df["b"].to_numpy(),
│ │ │ │ │  df["N"].to_numpy())
│ │ │ │ │ -816 us +- 136 ns per loop (mean +- std. dev. of 7 runs, 1,000 loops each)
│ │ │ │ │ +3.17 ms +- 645 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │  However, a loop indexer i accessing an invalid location in an array would cause
│ │ │ │ │  a segfault because memory access isn’t checked. For more about boundscheck and
│ │ │ │ │  wraparound, see the Cython docs on _c_o_m_p_i_l_e_r_ _d_i_r_e_c_t_i_v_e_s.
│ │ │ │ │  ********** NNuummbbaa ((JJIITT ccoommppiillaattiioonn))_?¶ **********
│ │ │ │ │  An alternative to statically compiling Cython code is to use a dynamic just-in-
│ │ │ │ │  time (JIT) compiler with _N_u_m_b_a.
│ │ │ │ │  Numba allows you to write a pure Python function which can be JIT compiled to
│ │ │ │ │ @@ -612,17 +612,17 @@
│ │ │ │ │  The 'numexpr' engine is the more performant engine that can yield performance
│ │ │ │ │  improvements compared to standard Python syntax for large _D_a_t_a_F_r_a_m_e. This
│ │ │ │ │  engine requires the optional dependency numexpr to be installed.
│ │ │ │ │  The 'python' engine is generally nnoott useful except for testing other evaluation
│ │ │ │ │  engines against it. You will achieve nnoo performance benefits using _e_v_a_l_(_) with
│ │ │ │ │  engine='python' and may incur a performance hit.
│ │ │ │ │  In [40]: %timeit df1 + df2 + df3 + df4
│ │ │ │ │ -9.32 ms +- 30.5 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │ +31.3 ms +- 2.25 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │  In [41]: %timeit pd.eval("df1 + df2 + df3 + df4", engine="python")
│ │ │ │ │ -11.8 ms +- 58.3 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │ +31.7 ms +- 2.67 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │  ******** TThhee _DD_aa_tt_aa_FF_rr_aa_mm_ee_.._ee_vv_aa_ll_((_)) mmeetthhoodd_?¶ ********
│ │ │ │ │  In addition to the top level _p_a_n_d_a_s_._e_v_a_l_(_) function you can also evaluate an
│ │ │ │ │  expression in the “context” of a _D_a_t_a_F_r_a_m_e.
│ │ │ │ │  In [42]: df = pd.DataFrame(np.random.randn(5, 2), columns=["a", "b"])
│ │ │ │ │  
│ │ │ │ │  In [43]: df.eval("a + b")
│ │ │ │ │  Out[43]:
│ │ │ │ │ @@ -719,29 +719,29 @@
│ │ │ │ │  _p_a_n_d_a_s_._e_v_a_l_(_) works well with expressions containing large arrays.
│ │ │ │ │  In [58]: nrows, ncols = 20000, 100
│ │ │ │ │  
│ │ │ │ │  In [59]: df1, df2, df3, df4 = [pd.DataFrame(np.random.randn(nrows, ncols)) for
│ │ │ │ │  _ in range(4)]
│ │ │ │ │  _D_a_t_a_F_r_a_m_e arithmetic:
│ │ │ │ │  In [60]: %timeit df1 + df2 + df3 + df4
│ │ │ │ │ -9.37 ms +- 64.9 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │ +29.8 ms +- 1.96 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │  In [61]: %timeit pd.eval("df1 + df2 + df3 + df4")
│ │ │ │ │ -6.48 ms +- 13.7 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │ +15.2 ms +- 1.23 ms per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │  _D_a_t_a_F_r_a_m_e comparison:
│ │ │ │ │  In [62]: %timeit (df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)
│ │ │ │ │ -10.5 ms +- 151 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │ +34.4 ms +- 2.38 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │  In [63]: %timeit pd.eval("(df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)")
│ │ │ │ │ -11.1 ms +- 197 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │ +26.5 ms +- 1.69 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │  _D_a_t_a_F_r_a_m_e arithmetic with unaligned axes.
│ │ │ │ │  In [64]: s = pd.Series(np.random.randn(50))
│ │ │ │ │  
│ │ │ │ │  In [65]: %timeit df1 + df2 + df3 + df4 + s
│ │ │ │ │ -20.3 ms +- 106 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │ +39.8 ms +- 6.05 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │  In [66]: %timeit pd.eval("df1 + df2 + df3 + df4 + s")
│ │ │ │ │ -8.47 ms +- 57.9 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
│ │ │ │ │ +22 ms +- 1.81 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ │  Note
│ │ │ │ │  Operations such as
│ │ │ │ │  1 and 2  # would parse to 1 & 2, but should evaluate to 2
│ │ │ │ │  3 or 4  # would parse to 3 | 4, but should evaluate to 3
│ │ │ │ │  ~1  # this is okay, but slower when using eval
│ │ │ │ │  should be performed in Python. An exception will be raised if you try to
│ │ │ │ │  perform any boolean/bitwise operations with scalar operands that are not of
│ │ │ ├── ./usr/share/doc/python-pandas-doc/html/user_guide/scale.html
│ │ │ │ @@ -916,16 +916,16 @@
│ │ │ │     ....: files = pathlib.Path("data/timeseries/").glob("ts*.parquet")
│ │ │ │     ....: counts = pd.Series(dtype=int)
│ │ │ │     ....: for path in files:
│ │ │ │     ....:     df = pd.read_parquet(path)
│ │ │ │     ....:     counts = counts.add(df["name"].value_counts(), fill_value=0)
│ │ │ │     ....: counts.astype(int)
│ │ │ │     ....: 
│ │ │ │ -CPU times: user 489 us, sys: 194 us, total: 683 us
│ │ │ │ -Wall time: 705 us
│ │ │ │ +CPU times: user 538 us, sys: 65 us, total: 603 us
│ │ │ │ +Wall time: 624 us
│ │ │ │  Out[32]: Series([], dtype: int64)
│ │ │ │
    │ │ │ │
    │ │ │ │

    Some readers, like pandas.read_csv(), offer parameters to control the │ │ │ │ chunksize when reading a single file.

    │ │ │ │

    Manually chunking is an OK option for workflows that don’t │ │ │ │ require too sophisticated of operations. Some operations, like pandas.DataFrame.groupby(), are │ │ │ │ ├── html2text {} │ │ │ │ │ @@ -633,16 +633,16 @@ │ │ │ │ │ ....: files = pathlib.Path("data/timeseries/").glob("ts*.parquet") │ │ │ │ │ ....: counts = pd.Series(dtype=int) │ │ │ │ │ ....: for path in files: │ │ │ │ │ ....: df = pd.read_parquet(path) │ │ │ │ │ ....: counts = counts.add(df["name"].value_counts(), fill_value=0) │ │ │ │ │ ....: counts.astype(int) │ │ │ │ │ ....: │ │ │ │ │ -CPU times: user 489 us, sys: 194 us, total: 683 us │ │ │ │ │ -Wall time: 705 us │ │ │ │ │ +CPU times: user 538 us, sys: 65 us, total: 603 us │ │ │ │ │ +Wall time: 624 us │ │ │ │ │ Out[32]: Series([], dtype: int64) │ │ │ │ │ Some readers, like _p_a_n_d_a_s_._r_e_a_d___c_s_v_(_), offer parameters to control the chunksize │ │ │ │ │ when reading a single file. │ │ │ │ │ Manually chunking is an OK option for workflows that don’t require too │ │ │ │ │ sophisticated of operations. Some operations, like _p_a_n_d_a_s_._D_a_t_a_F_r_a_m_e_._g_r_o_u_p_b_y_(_), │ │ │ │ │ are much harder to do chunkwise. In these cases, you may be better switching to │ │ │ │ │ a different library that implements these out-of-core algorithms for you. │ │ │ ├── ./usr/share/doc/python-pandas-doc/html/user_guide/style.ipynb.gz │ │ │ │ ├── style.ipynb │ │ │ │ │ ├── Pretty-printed │ │ │ │ │ │┄ Similarity: 0.9985610875706213% │ │ │ │ │ │┄ Differences: {"'cells'": "{1: {'metadata': {'execution': {'iopub.execute_input': '2025-10-29T11:45:07.233629Z', " │ │ │ │ │ │┄ "'iopub.status.busy': '2025-10-29T11:45:07.233300Z', 'iopub.status.idle': " │ │ │ │ │ │┄ "'2025-10-29T11:45:09.230311Z', 'shell.execute_reply': " │ │ │ │ │ │┄ "'2025-10-29T11:45:09.229593Z'}}}, 3: {'metadata': {'execution': " │ │ │ │ │ │┄ "{'iopub.execute_input': '2025-10-29T11:45:09.237129Z', 'iopub.status.busy': " │ │ │ │ │ │┄ "'2025-10-29T11:45:09.236483Z', 'iopub.status.idle': '2025-10-29T11:45:1 […] │ │ │ │ │ │ @@ -39,18 +39,18 @@ │ │ │ │ │ │ ] │ │ │ │ │ │ }, │ │ │ │ │ │ { │ │ │ │ │ │ "cell_type": "code", │ │ │ │ │ │ "execution_count": 1, │ │ │ │ │ │ "metadata": { │ │ │ │ │ │ "execution": { │ │ │ │ │ │ - "iopub.execute_input": "2024-09-26T04:14:20.904187Z", │ │ │ │ │ │ - "iopub.status.busy": "2024-09-26T04:14:20.903645Z", │ │ │ │ │ │ - "iopub.status.idle": "2024-09-26T04:14:21.409820Z", │ │ │ │ │ │ - "shell.execute_reply": "2024-09-26T04:14:21.409038Z" │ │ │ │ │ │ + "iopub.execute_input": "2025-10-29T11:45:07.233629Z", │ │ │ │ │ │ + "iopub.status.busy": "2025-10-29T11:45:07.233300Z", │ │ │ │ │ │ + "iopub.status.idle": "2025-10-29T11:45:09.230311Z", │ │ │ │ │ │ + "shell.execute_reply": "2025-10-29T11:45:09.229593Z" │ │ │ │ │ │ }, │ │ │ │ │ │ "nbsphinx": "hidden" │ │ │ │ │ │ }, │ │ │ │ │ │ "outputs": [], │ │ │ │ │ │ "source": [ │ │ │ │ │ │ "import matplotlib.pyplot\n", │ │ │ │ │ │ "# We have this here to trigger matplotlib's font cache stuff.\n", │ │ │ │ │ │ @@ -77,36 +77,36 @@ │ │ │ │ │ │ ] │ │ │ │ │ │ }, │ │ │ │ │ │ { │ │ │ │ │ │ "cell_type": "code", │ │ │ │ │ │ "execution_count": 2, │ │ │ │ │ │ "metadata": { │ │ │ │ │ │ "execution": { │ │ │ │ │ │ - "iopub.execute_input": "2024-09-26T04:14:21.414708Z", │ │ │ │ │ │ - "iopub.status.busy": "2024-09-26T04:14:21.414035Z", │ │ │ │ │ │ - "iopub.status.idle": "2024-09-26T04:14:21.652828Z", │ │ │ │ │ │ - "shell.execute_reply": "2024-09-26T04:14:21.651814Z" │ │ │ │ │ │ + "iopub.execute_input": "2025-10-29T11:45:09.237129Z", │ │ │ │ │ │ + "iopub.status.busy": "2025-10-29T11:45:09.236483Z", │ │ │ │ │ │ + "iopub.status.idle": "2025-10-29T11:45:10.378280Z", │ │ │ │ │ │ + "shell.execute_reply": "2025-10-29T11:45:10.377587Z" │ │ │ │ │ │ } │ │ │ │ │ │ }, │ │ │ │ │ │ "outputs": [], │ │ │ │ │ │ "source": [ │ │ │ │ │ │ "import pandas as pd\n", │ │ │ │ │ │ "import numpy as np\n", │ │ │ │ │ │ "import matplotlib as mpl\n" │ │ │ │ │ │ ] │ │ │ │ │ │ }, │ │ │ │ │ │ { │ │ │ │ │ │ "cell_type": "code", │ │ │ │ │ │ "execution_count": 3, │ │ │ │ │ │ "metadata": { │ │ │ │ │ │ "execution": { │ │ │ │ │ │ - "iopub.execute_input": "2024-09-26T04:14:21.657212Z", │ │ │ │ │ │ - "iopub.status.busy": "2024-09-26T04:14:21.656840Z", │ │ │ │ │ │ - "iopub.status.idle": "2024-09-26T04:14:21.712484Z", │ │ │ │ │ │ - "shell.execute_reply": "2024-09-26T04:14:21.711554Z" │ │ │ │ │ │ + "iopub.execute_input": "2025-10-29T11:45:10.386660Z", │ │ │ │ │ │ + "iopub.status.busy": "2025-10-29T11:45:10.386293Z", │ │ │ │ │ │ + "iopub.status.idle": "2025-10-29T11:45:10.538457Z", │ │ │ │ │ │ + "shell.execute_reply": "2025-10-29T11:45:10.535933Z" │ │ │ │ │ │ }, │ │ │ │ │ │ "nbsphinx": "hidden" │ │ │ │ │ │ }, │ │ │ │ │ │ "outputs": [], │ │ │ │ │ │ "source": [ │ │ │ │ │ │ "# For reproducibility - this doesn't respect uuid_len or positionally-passed uuid but the places here that use that coincidentally bypass this anyway\n", │ │ │ │ │ │ "from pandas.io.formats.style import Styler\n", │ │ │ │ │ │ @@ -123,18 +123,18 @@ │ │ │ │ │ │ ] │ │ │ │ │ │ }, │ │ │ │ │ │ { │ │ │ │ │ │ "cell_type": "code", │ │ │ │ │ │ "execution_count": 4, │ │ │ │ │ │ "metadata": { │ │ │ │ │ │ "execution": { │ │ │ │ │ │ - "iopub.execute_input": "2024-09-26T04:14:21.716720Z", │ │ │ │ │ │ - "iopub.status.busy": "2024-09-26T04:14:21.716332Z", │ │ │ │ │ │ - "iopub.status.idle": "2024-09-26T04:14:21.727068Z", │ │ │ │ │ │ - "shell.execute_reply": "2024-09-26T04:14:21.726192Z" │ │ │ │ │ │ + "iopub.execute_input": "2025-10-29T11:45:10.542212Z", │ │ │ │ │ │ + "iopub.status.busy": "2025-10-29T11:45:10.541851Z", │ │ │ │ │ │ + "iopub.status.idle": "2025-10-29T11:45:10.585627Z", │ │ │ │ │ │ + "shell.execute_reply": "2025-10-29T11:45:10.584876Z" │ │ │ │ │ │ } │ │ │ │ │ │ }, │ │ │ │ │ │ "outputs": [ │ │ │ │ │ │ { │ │ │ │ │ │ "data": { │ │ │ │ │ │ "text/html": [ │ │ │ │ │ │ "