【Python】重磅新闻:Pandas 2.x 即将来袭
共 11729字,需浏览 24分钟
·
2023-03-06 16:05
呆鸟说: 根据 Pandas 开发团队发布的消息,3月以后,Pandas 就要进入 2.x 时代了,Python 数据分析师快来入坑吧!
主要改进
-
可配置选项,
mode.dtype_backend
返回 pyarrow 数据类型 -
使用 pip 安装可选的支持库
-
Index
支持 Numpy 的 numeric 数据类型 -
使用
Copy_on_write
(写入时复制)机制,提高写入性能
具体说明如下:
加入 pyarrow 数据类型
Pandas 2.x 最大的变化是加入了对 Apache Arrow 的支持。首先介绍一下什么是 Arrow。
Arrow 是 Apache 软件基金会支持的内存分析开发平台,它可以快速处理和移动大规模数据,为数据的扁平化和分层制定了标准化的,与语言无关的列式内存格式,以便在硬件层面上进行更高效的数据分析操作。
pyarrow 是为 Python 社区提供的 Arrow 支持库,与 NumPy 和 Pandas 的集成度非常高,从 2.0 版开始,Pandas 专门加入了对 pyarrow 数据类型的支持。
使用 pyarrow,可以让 pandas 处理数据的数据操作更快,内存使用效率更高,尤其是在处理超大数据集时,其优势更明显。
以下内容是 Pandas 2.0 开发公告介绍的对 arrow 的支持说明。
Pandas 之前在 read_csv()
、read_excel()
、read_json()
、read_sql()
、to_numeric()
等函数中使用 use_nullable_dtypes
关键字参数,让这些函数可以自动转换 nullable
数据类型,为了简化操作,Pandas 新增了一个 nullable_dtypes
选项,允许在没有明确指定时,把关键字参数在全局范围内设为 True
。启用该选项的方式如下:
pd.options.mode.nullable_dtypes = True
这个选项仅用于函数的 use_nullable_dtypes
关键字。
Pandas 还新增了一个全局配置项:mode.dtype_backend
,用于连接上述 read_csv()
等函数中的 use_nullable_dtypes=True
参数,以选择 nullable 数据类型。
DataFrame.convert_dtypes()
和 Series.convert_dtypes()
两种方法也可以使用mode.dtype_backend
这个选项。
mode.dtype_backend
的默认值为 pandas
,返回的是 Numpy 支持的 nullable 数据类型。但现在也可以设置为 pyarrow
,返回 pyarrow 支持的 nullable 数据类型,即 ArrowDtype
。
示例代码如下:
In [13]: import io
In [14]: 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 [15]: with pd.option_context("mode.dtype_backend", "pandas"):
....: df = pd.read_csv(data, use_nullable_dtypes=True)
....:
In [16]: df.dtypes
Out[16]:
a Int64
b Float64
c boolean
d string[python]
e Int64
f Float64
g boolean
h string[python]
i Int64
dtype: object
In [17]: data.seek(0)
Out[17]: 0
# 主要看下面这行代码
In [18]: with pd.option_context("mode.dtype_backend", "pyarrow"):
....: df_pyarrow = pd.read_csv(data, use_nullable_dtypes=True, engine="pyarrow")
....:
In [19]: df_pyarrow.dtypes
Out[19]:
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
使用 pip 安装可选的支持库
使用 pip 安装 pandas 时,可以指定要安装的可选支持库。
pip install "pandas[performance, aws]>=2.0.0"
Index 支持 Numpy 的 numeric 数据类型
Pandas 2.0 开始,可以在 Index
中使用更多的 numpy 数据类型。Pandas 之前只能使用 int64
、 uint64
和 float64
等数据类型,从 2.0 开始,Pandas 支持所有 numpy 的 numeric 数据,如 int8
、int16
、int32
、int64
、uint8
、uint16
、uint32
、uint64
、float32
、float64
等。
示例代码如下:
In [1]: pd.Index([1, 2, 3], dtype=np.int8)
Out[1]: Index([1, 2, 3], dtype='int8')
In [2]: pd.Index([1, 2, 3], dtype=np.uint16)
Out[2]: Index([1, 2, 3], dtype='uint16')
In [3]: pd.Index([1, 2, 3], dtype=np.float32)
Out[3]: Index([1.0, 2.0, 3.0], dtype='float32')
提高写入性能
-
为以下方法新增了惰性复制机制,推迟复制,直到修改相关对象时才真正复制。启用 Copy-on-Write 机制之后,以下方法仅返回视图,这比常规的性能有了显著的提升。
-
DataFrame.reset_index() / Series.reset_index()
-
DataFrame.set_index()
-
DataFrame.set_axis() / Series.set_axis()
-
DataFrame.set_flags() / Series.set_flags()
-
DataFrame.rename_axis() / Series.rename_axis()
-
DataFrame.reindex() / Series.reindex()
-
DataFrame.reindex_like() / Series.reindex_like()
-
DataFrame.assign()
-
DataFrame.drop()
-
DataFrame.dropna() / Series.dropna()
-
DataFrame.select_dtypes()
-
DataFrame.align() / Series.align()
-
Series.to_frame()
-
DataFrame.rename() / Series.rename()
-
DataFrame.add_prefix() / Series.add_prefix()
-
DataFrame.add_suffix() / Series.add_suffix()
-
DataFrame.drop_duplicates() / Series.drop_duplicates()
-
DataFrame.droplevel() / Series.droplevel()
-
DataFrame.reorder_levels() / Series.reorder_levels()
-
DataFrame.between_time() / Series.between_time()
-
DataFrame.filter() / Series.filter()
-
DataFrame.head() / Series.head()
-
DataFrame.tail() / Series.tail()
-
DataFrame.isetitem()
-
DataFrame.pipe() / Series.pipe()
-
DataFrame.pop() / Series.pop()
-
DataFrame.replace() / Series.replace()
-
DataFrame.shift() / Series.shift()
-
DataFrame.sort_index() / Series.sort_index()
-
DataFrame.sort_values() / Series.sort_values()
-
DataFrame.squeeze() / Series.squeeze()
-
DataFrame.swapaxes()
-
DataFrame.swaplevel() / Series.swaplevel()
-
DataFrame.take() / Series.take()
-
DataFrame.to_timestamp() / Series.to_timestamp()
-
DataFrame.to_period() / Series.to_period()
-
DataFrame.truncate()
-
DataFrame.iterrows()
-
DataFrame.tz_convert() / Series.tz_localize()
-
DataFrame.fillna() / Series.fillna()
-
DataFrame.interpolate() / Series.interpolate()
-
DataFrame.ffill() / Series.ffill()
-
DataFrame.bfill() / Series.bfill()
-
DataFrame.where() / Series.where()
-
DataFrame.infer_objects() / Series.infer_objects()
-
DataFrame.astype() / Series.astype()
-
DataFrame.convert_dtypes() / Series.convert_dtypes()
-
concat()
-
-
以 Series 的形式处理 DataFrame 的单个列(例如,
df["col"]
)时,每次构建都返回一个新对象,启用Copy-on-Write
时,不再多次返回相同的 Series 对象。 -
使用已有的 Series 构建 Series,且默认选项为
copy=False
时,Series 构造函数将使用惰性复制机制,即推迟复制,直到发生数据修改时才真正复制。 -
使用已有的 DataFrame 构建 DataFrame,且默认选项为
copy=False
时,DataFrame 构造函数也使用惰性复制机制。 -
使用 Series 字典构建 DataFrame,且默认选项为
copy=False
时,也使用惰性复制机制。 -
启用
Copy-on-Write
时,使用链式赋值设置值(例如,df["a"][1:3] = 0
)将引发异常。在此模式下,链式赋值不能正常运行。 -
DataFrame.replace()
在inplace=True
时,使用Copy-on-Write
。 -
DataFrame.transpose()
使用Copy-on-Write
。 -
算术运算,如,
ser *= 2
也支持Copy-on-Write
。
启用本选项的方式如下:
# 方式一
pd.set_option("mode.copy_on_write", True)
# 方式二
pd.options.mode.copy_on_write = True
# 局部启用的方式
with pd.option_context("mode.copy_on_write", True):
...
往期 精彩 回顾
- 适合初学者入门人工智能的路线及资料下载
- (图文+视频)机器学习入门系列下载
- 机器学习及深度学习笔记等资料打印
- 《统计学习方法》的代码复现专辑
-
-