我在某处读到Pandas最初是为金融界开发的，至少不是专门为自然科学（物理学、生物学等）开发的，那么有没有类似的数据分析 Python 包更“面向自然科学”？
我刚开始使用 Pandas，已经遇到了两个不使用其他包或自制解决方案无法解决的问题：
也许还有其他问题，但我缺乏更准确的经验。目前，我考虑使用不确定性包来解决第一点，但我不确定它是否能与 Pandas 一起正常工作并且不会降低计算速度。实际上，我不是在寻找一种计算不确定性的方法，只是一种将不确定性与我导入的数据一起存储的简单方法。对于第二点，我没有找到比在我的 DataFrame 之外创建一个字典来管理与每个数据关联的单元更好的解决方案。
如果您曾经遇到过同样的问题，您是如何解决它的，或者您在自然科学中的 Python 中使用哪些其他包进行数据操作/存储/分析？
我同意 Davidmh 的观点，即计算不确定性不应该由自动库处理。您将很快遇到自动失败的情况（例如尝试进行傅里叶变换）。
但是，您说您只想保留数据的不确定性。为什么不将它们添加为数据框中的额外列？这就是我通常使用 pandas 管理不确定性的方式。
Pandas 不支持单位，但是任何东西都可以进入数据框，因此您可以直接使用数量包。然而，并非所有功能都可以在 pandas 中使用（尽管数量惊人），并且会有性能损失。
已经有一些讨论允许在 pandas 中附加元数据，但到目前为止似乎没有任何结果。
除了 C++11 可能的例外，我知道没有任何语言或库可以为您提供非常好的、一流的单元支持。总是有性能损失和缺乏兼容性
.
管理不确定性实际上是一个非常微妙的统计问题。当误差呈正态分布、独立且较小时，使用平方偏导数进行误差传播的已知表达式是好的。通常是这种情况；事实上，即使没有完全满足正态性或独立性，对于大多数实际情况，结果也可以合理地接近真实结果，前提是您只对区间的合理估计感兴趣。
另一种可能性是使用上限和下限重复操作，这样，但这仅在间隔是硬阈值时才正确（例如精度为 0.1 的无噪声仪器的输出）。
对于需要更高准确性的情况，如果您有一个很好的不确定性分析模型，则可以使用诸如最大似然之类的方法来得出正确的估计量。
但是，如果您想要对任何可能的输入都有效的正确结果（想象必须对噪声检测器进行分析建模，其中噪声与精度具有相同的数量级），考虑到所有相关性，并能够探索所有相关的参数空间，你需要蒙特卡罗方法。将随机噪声添加到您的输入的几个实例中并运行完整分析。当然，这可能意味着您必须将计算时间乘以数百或数千，但它始终是可并行的。
所以，最后，这一切都取决于你想做什么，准确到什么程度，以及你有多少资源。