常见问题 (FAQ) #

数据帧内存使用情况#

调用 .a 时会显示a 的内存使用情况DataFrame(包括索引)info()。配置选项display.memory_usage (请参阅选项列表)指定 DataFrame调用该方法时是否显示内存使用情况info()

DataFrame例如,调用时显示以下内存使用情况info()

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

+符号表示真实的内存使用量可能更高,因为 pandas 不计算带有 的列中的值使用的内存 dtype=object

通过memory_usage='deep'将启用更准确的内存使用报告,说明所包含对象的完整使用情况。这是可选的,因为进行更深入的内省可能会很昂贵。

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但可以通过memory_usage在调用时传递参数来显式覆盖info()

通过调用该方法可以得知每一列的内存使用情况 memory_usage()。这将返回一个Series索引,该索引由列名和每列的内存使用情况(以字节为单位)表示。对于DataFrame上面的每列的内存使用情况和总内存使用情况可以通过以下memory_usage()方法找到:

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

默认情况下,索引的内存使用情况DataFrame显示在返回的 中Series,可以通过传递参数来抑制索引的内存使用情况index=False

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情况利用该 memory_usage()方法确定一段 DataFrame时间的内存使用情况,同时以人类可读的单位(基数 2 表示;即 1KB = 1024 字节)格式化输出。

另请参阅分类内存使用情况

在 pandas 中使用 if/truth 语句#

pandas 遵循 NumPy 约定,当您尝试将某些内容转换为bool.这种情况发生在if- 语句中或使用布尔运算时:andornot。目前尚不清楚以下代码的结果应该是什么:

>>> if pd.Series([False, True, False]):
...     pass

应该是True因为它不是零长度,还是False因为有False值?目前还不清楚,所以 pandas 提出了一个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().

您需要明确选择要对 执行什么操作DataFrame,例如使用any(),all()empty()。或者,您可能想比较 pandas 对象是否是None

In [12]: if pd.Series([False, True, False]) is not None:
   ....:     print("I was not None")
   ....: 
I was not None

以下是如何检查是否有任何值True

In [13]: if pd.Series([False, True, False]).any():
   ....:     print("I am any")
   ....: 
I am any

按位布尔值#

按位布尔运算符类似于==!=返回一个布尔值Series ,该布尔值在与标量比较时执行按元素比较。

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,请参阅布尔比较。

使用in运算符#

使用 Pythonin运算符测试索引Series中的成员资格 ,而不是值之间的成员资格。

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

如果这种行为令人惊讶,请记住,in在 Python 字典上使用测试键,而不是值,并且Series类似于字典。要测试值的成员资格,请使用以下方法isin()

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

同样DataFramein适用于列轴,测试列名称列表中的成员资格。

使用用户定义函数 (UDF) 方法进行变异#

本节适用于采用 UDF 的 pandas 方法。特别是方法 DataFrame.apply()DataFrame.aggregate()DataFrame.transform()DataFrame.filter()

编程中的一条一般规则是,在迭代容器时不应改变容器。突变会使迭代器失效,从而导致意外的行为。考虑这个例子:

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]

也许有人会预料到结果会是这样。当使用采用 UDF 的 pandas 方法时,pandas 内部通常会迭代该 或其他 pandas 对象。因此,如果 UDF 变异(更改),可能会出现意外行为。[1, 3, 5]DataFrameDataFrame

这是一个类似的例子DataFrame.apply()

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'

要解决此问题,可以制作一个副本,以便突变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

NumPy 类型的缺失值表示#

np.nan作为NANumPy 类型的表示#

NA由于 NumPy 和 Python 一般缺乏(缺失)支持,NA可以用以下形式表示:

  • 掩码数组解决方案:一个数据数组和一个布尔值数组,指示某个值是否存在或缺失。

  • 使用特殊的哨兵值、位模式或哨兵值集来表示NA跨数据类型。

np.nan选择特殊值(Not-A-Number) 作为NANumPy 类型的值,并且有诸如DataFrame.isna()和 之类的 API 函数DataFrame.notna()可以在数据类型中使用来检测 NA 值。但是,此选择有一个缺点,即会将缺失的整数数据强制转换为浮点类型,如支持整数 NA中所示。

NANumPy 类型的类型提升#

当将 NA 引入现有SeriesDataFrame通过 reindex()或其他方式时,布尔类型和整数类型将提升为不同的数据类型以存储 NA。促销活动总结如下表:

类型类

用于存储 NA 的促销 dtype

floating

不用找了

object

不用找了

integer

投射到float64

boolean

投射到object

支持整数NA#

由于 NumPy 缺乏NA从头开始内置的高性能支持,主要的受害者是在整数数组中表示 NA 的能力。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')

这种权衡主要是出于内存和性能的原因,并且也是为了使结果Series仍然是“数字”。

如果您需要表示可能缺少值的整数,请使用 pandas 或 pyarrow 提供的可空整数扩展数据类型之一

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,请参阅可为空整数数据类型PyArrow 功能

为什么不让 NumPy 像 R 一样呢?#

许多人建议 NumPy 应该简单地模拟NA更特定领域的统计编程语言R中提供的支持。部分原因是 NumPy 类型层次结构:

类型类

数据类型

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_

相比之下,R 语言只有少数内置数据类型: integernumeric(浮点)、characterbooleanNA类型是通过为每种类型保留特殊的位模式来用作缺失值来实现的。虽然使用完整的 NumPy 类型层次结构来完成此操作是可能的,但这将是一个更重大的权衡(特别是对于 8 位和 16 位数据类型)和实现任务。

NA但是,现在可以通过使用屏蔽的 NumPy 类型(例如Int64Dtype 或 PyArrow 类型 ( ))来使用R语义ArrowDtype

与 NumPy 的差异#

对于SeriesDataFrame对象,var()通过 进行归一化 N-1以生成总体方差 的无偏估计,而 NumPy 的 numpy.var()归一化为 N,用于测量样本的方差。请注意, pandas 和 NumPy 中的cov()标准化都是通过。N-1

线程安全#

pandas 不是 100% 线程安全的。已知问题与copy()方法有关。如果您要对线程之间共享的对象进行大量复制 DataFrame,我们建议在发生数据复制的线程内持有锁。

请参阅此链接 了解更多信息。

字节顺序问题#

有时,您可能需要处理在与运行 Python 的机器上字节顺序不同的机器上创建的数据。此问题的常见症状是出现如下错误:

Traceback
    ...
ValueError: Big-endian buffer not supported on little-endian compiler

要解决此问题,您应该将底层 NumPy 数组转换为本机系统字节顺序,然后再将其传递给SeriesDataFrame 构造函数,使用类似于以下内容的内容:

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)

有关更多详细信息,请参阅有关字节顺序的 NumPy 文档。