Pandas 中文参考指南
Frequently Asked Questions (FAQ)
DataFrame memory usage
调用` info()时会显示
DataFrame的内存使用情况(包括索引)。一个配置选项`display.memory_usage
(参见` the list of options)指定调用
info()方法时是否显示
DataFrame`内存使用情况。
In [1]: dtypes = [
...: "int64",
...: "float64",
...: "datetime64[ns]",
...: "timedelta64[ns]",
...: "complex128",
...: "object",
...: "bool",
...: ]
...:
In [2]: n = 5000
In [3]: data = {t: np.random.randint(100, size=n).astype(t) for t in dtypes}
In [4]: df = pd.DataFrame(data)
In [5]: df["categorical"] = df["object"].astype("category")
In [6]: df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5000 entries, 0 to 4999
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 int64 5000 non-null int64
1 float64 5000 non-null float64
2 datetime64[ns] 5000 non-null datetime64[ns]
3 timedelta64[ns] 5000 non-null timedelta64[ns]
4 complex128 5000 non-null complex128
5 object 5000 non-null object
6 bool 5000 non-null bool
7 categorical 5000 non-null category
dtypes: bool(1), category(1), complex128(1), datetime64[ns](1), float64(1), int64(1), object(1), timedelta64[ns](1)
memory usage: 288.2+ KB
`+`符号表示真实内存使用情况可能更高,因为 pandas 不会计算含有`dtype=object`列中值所使用的内存。
传递`memory_usage='deep'`会启用更准确的内存使用情况报告,占包含对象总使用量。这是可选的,因为执行更深入的内省可能代价高昂。
In [7]: df.info(memory_usage="deep")
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5000 entries, 0 to 4999
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 int64 5000 non-null int64
1 float64 5000 non-null float64
2 datetime64[ns] 5000 non-null datetime64[ns]
3 timedelta64[ns] 5000 non-null timedelta64[ns]
4 complex128 5000 non-null complex128
5 object 5000 non-null object
6 bool 5000 non-null bool
7 categorical 5000 non-null category
dtypes: bool(1), category(1), complex128(1), datetime64[ns](1), float64(1), int64(1), object(1), timedelta64[ns](1)
memory usage: 424.7 KB
默认情况下,显示选项设置为`True`,但通过调用` info()`时传递`memory_usage`参数可以明确地覆盖该设置。
可以通过调用` memory_usage()方法查找每列的内存使用情况。这会返回一个
Series,其中索引由列名表示,而每列的内存使用情况以字节为单位显示。对于上述的
DataFrame,可以使用
memory_usage()`方法查找每列的内存使用情况以及总内存使用情况:
In [8]: df.memory_usage()
Out[8]:
Index 128
int64 40000
float64 40000
datetime64[ns] 40000
timedelta64[ns] 40000
complex128 80000
object 40000
bool 5000
categorical 9968
dtype: int64
# total memory usage of dataframe
In [9]: df.memory_usage().sum()
Out[9]: 295096
In [10]: df.memory_usage(index=False)
Out[10]:
int64 40000
float64 40000
datetime64[ns] 40000
timedelta64[ns] 40000
complex128 80000
object 40000
bool 5000
categorical 9968
dtype: int64
info() 方法显示的内存使用量利用 memory_usage() 方法来确定 DataFrame 的内存使用量,同时也以人类可读的单位(2 的幂次方制表示法;即 1 KB = 1024 字节)设置输出的格式。
另请参阅 Categorical Memory Usage。
Using if/truth statements with pandas
当你尝试将某个内容转换为 bool 时,pandas 遵循 NumPy 抛出错误的惯例。这发生在 if 语句中或者在使用布尔运算时:and、or 和 not。以下代码结果应该是什么尚不清楚:
>>> if pd.Series([False, True, False]):
... pass
它应该是 True 因为它不是零长度吗,还是因为那里有 False 个值而应该是 False?不是很清楚,因此,pandas 抛出一个 ValueError:
In [11]: if pd.Series([False, True, False]):
....: print("I was true")
....:
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-11-5c782b38cd2f> in ?()
----> 1 if pd.Series([False, True, False]):
2 print("I was true")
~/work/pandas/pandas/pandas/core/generic.py in ?(self)
1575 @final
1576 def __nonzero__(self) -> NoReturn:
-> 1577 raise ValueError(
1578 f"The truth value of a {type(self).__name__} is ambiguous. "
1579 "Use a.empty, a.bool(), a.item(), a.any() or a.all()."
1580 )
ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
In [12]: if pd.Series([False, True, False]) is not None:
....: print("I was not None")
....:
I was not None
以下是如何检查任意值是否为 True 的方法:
In [13]: if pd.Series([False, True, False]).any():
....: print("I am any")
....:
I am any
Bitwise boolean
位布尔运算符如 == 和 != 返回一个布尔值 Series,与标量进行逐元素比较时执行此操作。
In [14]: s = pd.Series(range(5))
In [15]: s == 4
Out[15]:
0 False
1 False
2 False
3 False
4 True
dtype: bool
有关更多示例,请参阅 boolean comparisons。
Using the in operator
对 Series 使用 Python in 运算符是为了测试索引内的隶属关系,而不是值之间的隶属关系。
In [16]: s = pd.Series(range(5), index=list("abcde"))
In [17]: 2 in s
Out[17]: False
In [18]: 'b' in s
Out[18]: True
In [19]: s.isin([2])
Out[19]:
a False
b False
c True
d False
e False
dtype: bool
In [20]: s.isin([2]).any()
Out[20]: True
对于 DataFrame,同样,in 应用于列轴,测试列名列表中的隶属关系。
Mutating with User Defined Function (UDF) methods
本节适用于使用 UDF 的 pandas 方法。尤其是方法 DataFrame.apply()、 DataFrame.aggregate()、 DataFrame.transform() 和 DataFrame.filter()。
在编程中,一条普遍规则是当迭代一个容器时,不要改变它。更改会使迭代器失效,从而导致意外的行为。考虑以下示例:
In [21]: values = [0, 1, 2, 3, 4, 5]
In [22]: n_removed = 0
In [23]: for k, value in enumerate(values):
....: idx = k - n_removed
....: if value % 2 == 1:
....: del values[idx]
....: n_removed += 1
....: else:
....: values[idx] = value + 1
....:
In [24]: values
Out[24]: [1, 4, 5]
人们可能会预期结果为 [1, 3, 5]。当使用采用 UDF 的 pandas 方法时,pandas 内部通常会迭代 DataFrame 或其他 pandas 对象。因此,如果 UDF 改变(更改) DataFrame,就会出现意外的行为。
下面是 DataFrame.apply() 的一个类似示例:
In [25]: def f(s):
....: s.pop("a")
....: return s
....:
In [26]: df = pd.DataFrame({"a": [1, 2, 3], "b": [4, 5, 6]})
In [27]: df.apply(f, axis="columns")
---------------------------------------------------------------------------
KeyError Traceback (most recent call last)
File ~/work/pandas/pandas/pandas/core/indexes/base.py:3805, in Index.get_loc(self, key)
3804 try:
-> 3805 return self._engine.get_loc(casted_key)
3806 except KeyError as err:
File index.pyx:167, in pandas._libs.index.IndexEngine.get_loc()
File index.pyx:196, in pandas._libs.index.IndexEngine.get_loc()
File pandas/_libs/hashtable_class_helper.pxi:7081, in pandas._libs.hashtable.PyObjectHashTable.get_item()
File pandas/_libs/hashtable_class_helper.pxi:7089, in pandas._libs.hashtable.PyObjectHashTable.get_item()
KeyError: 'a'
The above exception was the direct cause of the following exception:
KeyError Traceback (most recent call last)
Cell In[27], line 1
----> 1 df.apply(f, axis="columns")
File ~/work/pandas/pandas/pandas/core/frame.py:10374, in DataFrame.apply(self, func, axis, raw, result_type, args, by_row, engine, engine_kwargs, **kwargs)
10360 from pandas.core.apply import frame_apply
10362 op = frame_apply(
10363 self,
10364 func=func,
(...)
10372 kwargs=kwargs,
10373 )
> 10374 return op.apply().__finalize__(self, method="apply")
File ~/work/pandas/pandas/pandas/core/apply.py:916, in FrameApply.apply(self)
913 elif self.raw:
914 return self.apply_raw(engine=self.engine, engine_kwargs=self.engine_kwargs)
--> 916 return self.apply_standard()
File ~/work/pandas/pandas/pandas/core/apply.py:1063, in FrameApply.apply_standard(self)
1061 def apply_standard(self):
1062 if self.engine == "python":
-> 1063 results, res_index = self.apply_series_generator()
1064 else:
1065 results, res_index = self.apply_series_numba()
File ~/work/pandas/pandas/pandas/core/apply.py:1081, in FrameApply.apply_series_generator(self)
1078 with option_context("mode.chained_assignment", None):
1079 for i, v in enumerate(series_gen):
1080 # ignore SettingWithCopy here in case the user mutates
-> 1081 results[i] = self.func(v, *self.args, **self.kwargs)
1082 if isinstance(results[i], ABCSeries):
1083 # If we have a view on v, we need to make a copy because
1084 # series_generator will swap out the underlying data
1085 results[i] = results[i].copy(deep=False)
Cell In[25], line 2, in f(s)
1 def f(s):
----> 2 s.pop("a")
3 return s
File ~/work/pandas/pandas/pandas/core/series.py:5391, in Series.pop(self, item)
5366 def pop(self, item: Hashable) -> Any:
5367 """
5368 Return item and drops from series. Raise KeyError if not found.
5369
(...)
5389 dtype: int64
5390 """
-> 5391 return super().pop(item=item)
File ~/work/pandas/pandas/pandas/core/generic.py:947, in NDFrame.pop(self, item)
946 def pop(self, item: Hashable) -> Series | Any:
--> 947 result = self[item]
948 del self[item]
950 return result
File ~/work/pandas/pandas/pandas/core/series.py:1121, in Series.__getitem__(self, key)
1118 return self._values[key]
1120 elif key_is_scalar:
-> 1121 return self._get_value(key)
1123 # Convert generator to list before going through hashable part
1124 # (We will iterate through the generator there to check for slices)
1125 if is_iterator(key):
File ~/work/pandas/pandas/pandas/core/series.py:1237, in Series._get_value(self, label, takeable)
1234 return self._values[label]
1236 # Similar to Index.get_value, but we do not fall back to positional
-> 1237 loc = self.index.get_loc(label)
1239 if is_integer(loc):
1240 return self._values[loc]
File ~/work/pandas/pandas/pandas/core/indexes/base.py:3812, in Index.get_loc(self, key)
3807 if isinstance(casted_key, slice) or (
3808 isinstance(casted_key, abc.Iterable)
3809 and any(isinstance(x, slice) for x in casted_key)
3810 ):
3811 raise InvalidIndexError(key)
-> 3812 raise KeyError(key) from err
3813 except TypeError:
3814 # If we have a listlike key, _check_indexing_error will raise
3815 # InvalidIndexError. Otherwise we fall through and re-raise
3816 # the TypeError.
3817 self._check_indexing_error(key)
KeyError: 'a'
要解决这个问题,可以制作一个副本,这样更改就不会应用于正在迭代的容器。
In [28]: values = [0, 1, 2, 3, 4, 5]
In [29]: n_removed = 0
In [30]: for k, value in enumerate(values.copy()):
....: idx = k - n_removed
....: if value % 2 == 1:
....: del values[idx]
....: n_removed += 1
....: else:
....: values[idx] = value + 1
....:
In [31]: values
Out[31]: [1, 3, 5]
In [32]: def f(s):
....: s = s.copy()
....: s.pop("a")
....: return s
....:
In [33]: df = pd.DataFrame({"a": [1, 2, 3], 'b': [4, 5, 6]})
In [34]: df.apply(f, axis="columns")
Out[34]:
b
0 4
1 5
2 6
Missing value representation for NumPy types
np.nan as the NA representation for NumPy types
由于从 NumPy 和 Python 的基础开始就缺乏 NA(缺失)支持,所以 NA 本可以使用以下方式表示:
-
一个掩码数组解决方案:一个数据数组和一个布尔值数组,表示值存在还是缺失。
-
使用特殊哨兵值、位模式或一组哨兵值来表示跨越不同 dtypes 的 NA。
特殊值 np.nan(非数字)被选作 NumPy 类型的值 NA,并且有诸如 DataFrame.isna() 和 DataFrame.notna() 的 API 函数可用于跨不同 dtypes 检测 NA 值。但是,此选择有一个缺点,即它会将缺失的整数数据强制转换为浮点类型,如 Support for integer NA 所示。
NA type promotions for NumPy types
类型类
用于存储 NA 的提升 dtype
floating
无变化
object
无变化
integer
转换为 float64
boolean
转换为 object
Support for integer NA
由于 NumPy 缺乏从头内置的高性能 NA 支持,因此首要牺牲便是能够表示整数数组中的 NA。例如:
In [35]: s = pd.Series([1, 2, 3, 4, 5], index=list("abcde"))
In [36]: s
Out[36]:
a 1
b 2
c 3
d 4
e 5
dtype: int64
In [37]: s.dtype
Out[37]: dtype('int64')
In [38]: s2 = s.reindex(["a", "b", "c", "f", "u"])
In [39]: s2
Out[39]:
a 1.0
b 2.0
c 3.0
f NaN
u NaN
dtype: float64
In [40]: s2.dtype
Out[40]: dtype('float64')
这一权衡在很大程度上是出于内存和性能方面的考虑,并且也使最终的 Series 持续保持“数字”状态。
如果您需要表示可能具有缺失值的大整数,请使用 pandas 或 pyarrow 提供的可空整数扩展 dtype 之一
In [41]: s_int = pd.Series([1, 2, 3, 4, 5], index=list("abcde"), dtype=pd.Int64Dtype())
In [42]: s_int
Out[42]:
a 1
b 2
c 3
d 4
e 5
dtype: Int64
In [43]: s_int.dtype
Out[43]: Int64Dtype()
In [44]: s2_int = s_int.reindex(["a", "b", "c", "f", "u"])
In [45]: s2_int
Out[45]:
a 1
b 2
c 3
f <NA>
u <NA>
dtype: Int64
In [46]: s2_int.dtype
Out[46]: Int64Dtype()
In [47]: s_int_pa = pd.Series([1, 2, None], dtype="int64[pyarrow]")
In [48]: s_int_pa
Out[48]:
0 1
1 2
2 <NA>
dtype: int64[pyarrow]
有关更多信息,请参阅 Nullable integer data type 和 PyArrow Functionality。
Why not make NumPy like R?
许多人认为 NumPy 理应简单地模拟更特定于领域的统计编程语言 R 中现有的 NA 支持。部分原因在于 NumPy 类型层次结构:
类型类
Dtypes
numpy.floating
float16, float32, float64, float128
numpy.integer
int8, int16, int32, int64
numpy.unsignedinteger
uint8, uint16, uint32, uint64
numpy.object_
object_
numpy.bool_
bool_
numpy.character
bytes,_ str_
与之相反,R 语言只有极少数的内置数据类型:integer、numeric(浮点数)、character 和 boolean。NA 类型是通过为每个类型保留特殊的比特模式作为缺失值来实现的。虽然使用完整的 NumPy 类型层次结构也可以做到这一点,但这将是一项更大规模的权衡(尤其对于 8 位和 16 位数据类型)和实施工作。
不过,现在可以通过使用掩码 NumPy 类型(例如 Int64Dtype)或 PyArrow 类型 ( ArrowDtype)来获得 R NA 语义。
Differences with NumPy
对于 Series 和 DataFrame 对象, var() 按 N-1 归一化以生成 unbiased estimates of the population variance,而 NumPy 的 numpy.var() 按 N 归一化,后者用来衡量样本的差异性。请注意,在 pandas 和 NumPy 中, cov() 均按 N-1 归一化。
Thread-safety
请参阅 this link 了解更多信息。
Byte-ordering issues
您有时需要处理在字节顺序与您运行 Python 所在的计算机不同的机器上创建的数据。此问题的常见症状是类似于以下内容的错误:
Traceback
...
ValueError: Big-endian buffer not supported on little-endian compiler
In [49]: x = np.array(list(range(10)), ">i4") # big endian
In [50]: newx = x.byteswap().view(x.dtype.newbyteorder()) # force native byteorder
In [51]: s = pd.Series(newx)
请参阅 the NumPy documentation on byte order 了解更多详情。