Pandas 中文参考指南

PyArrow Functionality

pandas 可以利用 PyArrow 扩展功能并提高各种 API 的性能。其中包括：

与 NumPy 相比， data types 更为广泛。
所有数据类型均支持缺失数据（NA）。
Performant IO reader integration
基于 Apache Arrow 规范促进与其他数据框库（如 polars、cuDF）的互操作性

如需使用此功能，请确保您已获得 installed the minimum supported PyArrow version.

Data Structure Integration

Series、 Index 或 DataFrame 的列可以直接以 pyarrow.ChunkedArray 为后盾，类似于 NumPy 数组。若需用 Pandas 主数据结构构造这些结构，您可以将类型字符串传入到 [pyarrow] 之后，例如将 "int64[pyarrow]"" 传入 dtype 参数中

In [1]: ser = pd.Series([-1.5, 0.2, None], dtype="float32[pyarrow]")

In [2]: ser
Out[2]:
0    -1.5
1     0.2
2    <NA>
dtype: float[pyarrow]

In [3]: idx = pd.Index([True, None], dtype="bool[pyarrow]")

In [4]: idx
Out[4]: Index([True, <NA>], dtype='bool[pyarrow]')

In [5]: df = pd.DataFrame([[1, 2], [3, 4]], dtype="uint64[pyarrow]")

In [6]: df
Out[6]:
   0  1
0  1  2
1  3  4

字符串别名 "string[pyarrow]" 映射至 pd.StringDtype("pyarrow")，它并不等于指定 dtype=pd.ArrowDtype(pa.string())。通常情况下，但除外，数据上的操作会表现得类似 pd.StringDtype("pyarrow") 可以返回 NumPy 支持的可空类型，而 pd.ArrowDtype(pa.string()) 将返回 ArrowDtype。

In [7]: import pyarrow as pa

In [8]: data = list("abc")

In [9]: ser_sd = pd.Series(data, dtype="string[pyarrow]")

In [10]: ser_ad = pd.Series(data, dtype=pd.ArrowDtype(pa.string()))

In [11]: ser_ad.dtype == ser_sd.dtype
Out[11]: False

In [12]: ser_sd.str.contains("a")
Out[12]:
0     True
1    False
2    False
dtype: boolean

In [13]: ser_ad.str.contains("a")
Out[13]:
0     True
1    False
2    False
dtype: bool[pyarrow]

如果 PyArrow 类型接受参数，您可以使用这些参数将 PyArrow 类型传入 ArrowDtype，用于 dtype 参数中。

In [14]: import pyarrow as pa

In [15]: list_str_type = pa.list_(pa.string())

In [16]: ser = pd.Series([["hello"], ["there"]], dtype=pd.ArrowDtype(list_str_type))

In [17]: ser
Out[17]:
0    ['hello']
1    ['there']
dtype: list<item: string>[pyarrow]

In [18]: from datetime import time

In [19]: idx = pd.Index([time(12, 30), None], dtype=pd.ArrowDtype(pa.time64("us")))

In [20]: idx
Out[20]: Index([12:30:00, <NA>], dtype='time64[us][pyarrow]')

In [21]: from decimal import Decimal

In [22]: decimal_type = pd.ArrowDtype(pa.decimal128(3, scale=2))

In [23]: data = [[Decimal("3.19"), None], [None, Decimal("-1.23")]]

In [24]: df = pd.DataFrame(data, dtype=decimal_type)

In [25]: df
Out[25]:
      0      1
0  3.19   <NA>
1  <NA>  -1.23

如果您已经有 pyarrow.Array 或 pyarrow.ChunkedArray，您可以将它传入 arrays.ArrowExtensionArray 以构造相关的 Series、 Index 或 DataFrame 对象。

In [26]: pa_array = pa.array(
   ....:     [{"1": "2"}, {"10": "20"}, None],
   ....:     type=pa.map_(pa.string(), pa.string()),
   ....: )
   ....:

In [27]: ser = pd.Series(pd.arrays.ArrowExtensionArray(pa_array))

In [28]: ser
Out[28]:
0      [('1', '2')]
1    [('10', '20')]
2              <NA>
dtype: map<string, string>[pyarrow]

为了从 Series 或 Index 中获取 pyarrow pyarrow.ChunkedArray，您可以在 Series 或 Index 上调用 pyarrow 数组构造函数。

In [29]: ser = pd.Series([1, 2, None], dtype="uint8[pyarrow]")

In [30]: pa.array(ser)
Out[30]:
<pyarrow.lib.UInt8Array object at 0x7ff2a2968400>
[
  1,
  2,
  null
]

In [31]: idx = pd.Index(ser)

In [32]: pa.array(idx)
Out[32]:
<pyarrow.lib.UInt8Array object at 0x7ff2a2968460>
[
  1,
  2,
  null
]

为了将 pyarrow.Table 转换为 DataFrame，您可以使用 types_mapper=pd.ArrowDtype 调用 pyarrow.Table.to_pandas() 方法。

In [33]: table = pa.table([pa.array([1, 2, 3], type=pa.int64())], names=["a"])

In [34]: df = table.to_pandas(types_mapper=pd.ArrowDtype)

In [35]: df
Out[35]:
   a
0  1
1  2
2  3

In [36]: df.dtypes
Out[36]:
a    int64[pyarrow]
dtype: object

Operations

PyArrow 数据结构集成通过 Pandas 的 ExtensionArray interface 实现；因此，此接口在 Pandas API 内集成的位置存在支持的功能。另外，此功能已由 PyArrow compute functions（如果适用）加速。其中包括：

Numeric aggregations
Numeric arithmetic
Numeric rounding
Logical and comparison functions
String functionality
Datetime functionality

以下只是本机 PyArrow 计算函数加速的部分操作示例。

In [37]: import pyarrow as pa

In [38]: ser = pd.Series([-1.545, 0.211, None], dtype="float32[pyarrow]")

In [39]: ser.mean()
Out[39]: -0.6669999808073044

In [40]: ser + ser
Out[40]:
0    -3.09
1    0.422
2     <NA>
dtype: float[pyarrow]

In [41]: ser > (ser + 1)
Out[41]:
0    False
1    False
2     <NA>
dtype: bool[pyarrow]

In [42]: ser.dropna()
Out[42]:
0   -1.545
1    0.211
dtype: float[pyarrow]

In [43]: ser.isna()
Out[43]:
0    False
1    False
2     True
dtype: bool

In [44]: ser.fillna(0)
Out[44]:
0   -1.545
1    0.211
2      0.0
dtype: float[pyarrow]

In [45]: ser_str = pd.Series(["a", "b", None], dtype=pd.ArrowDtype(pa.string()))

In [46]: ser_str.str.startswith("a")
Out[46]:
0     True
1    False
2     <NA>
dtype: bool[pyarrow]

In [47]: from datetime import datetime

In [48]: pa_type = pd.ArrowDtype(pa.timestamp("ns"))

In [49]: ser_dt = pd.Series([datetime(2022, 1, 1), None], dtype=pa_type)

In [50]: ser_dt.dt.strftime("%Y-%m")
Out[50]:
0    2022-01
1       <NA>
dtype: string[pyarrow]

I/O Reading

PyArrow 还提供已集成到多个 Pandas IO 读卡器中的 IO 读取功能。以下函数提供 engine 关键字，可分派到 PyArrow 以加速从 IO 源中读取信息。

In [51]: import io

In [52]: data = io.StringIO("""a,b,c
   ....:    1,2.5,True
   ....:    3,4.5,False
   ....: """)
   ....:

In [53]: df = pd.read_csv(data, engine="pyarrow")

In [54]: df
Out[54]:
   a    b      c
0  1  2.5   True
1  3  4.5  False

默认情况下，这些函数和其他所有 IO 读卡器功能返回 NumPy 支持的数据。这些读卡器可以通过指定参数 dtype_backend="pyarrow" 来返回 PyArrow 支持的数据。读卡器不必设置 engine="pyarrow" 来返回 PyArrow 支持的数据。

In [55]: import io

In [56]: data = io.StringIO("""a,b,c,d,e,f,g,h,i
   ....:     1,2.5,True,a,,,,,
   ....:     3,4.5,False,b,6,7.5,True,a,
   ....: """)
   ....:

In [57]: df_pyarrow = pd.read_csv(data, dtype_backend="pyarrow")

In [58]: df_pyarrow.dtypes
Out[58]:
a     int64[pyarrow]
b    double[pyarrow]
c      bool[pyarrow]
d    string[pyarrow]
e     int64[pyarrow]
f    double[pyarrow]
g      bool[pyarrow]
h    string[pyarrow]
i      null[pyarrow]
dtype: object

一些非 IO 读卡器函数还可以使用 dtype_backend 参数来返回 PyArrow 支持的数据，包括：