扩展 pandas#
虽然 pandas 提供了一整套丰富的方法、容器和数据类型,但可能仍无法完全满足您的需求。pandas 提供了几种扩展自身的方法。
注册自定义访问器#
库可以使用装饰器 pandas.api.extensions.register_dataframe_accessor()
、pandas.api.extensions.register_series_accessor()
和 pandas.api.extensions.register_index_accessor()
,为 pandas 对象添加额外的“命名空间”。所有这些都遵循类似的约定:您装饰一个类,提供要添加的属性名称。类的 __init__
方法获取被装饰的对象。例如
@pd.api.extensions.register_dataframe_accessor("geo")
class GeoAccessor:
def __init__(self, pandas_obj):
self._validate(pandas_obj)
self._obj = pandas_obj
@staticmethod
def _validate(obj):
# verify there is a column latitude and a column longitude
if "latitude" not in obj.columns or "longitude" not in obj.columns:
raise AttributeError("Must have 'latitude' and 'longitude'.")
@property
def center(self):
# return the geographic center point of this DataFrame
lat = self._obj.latitude
lon = self._obj.longitude
return (float(lon.mean()), float(lat.mean()))
def plot(self):
# plot this array's data on a map, e.g., using Cartopy
pass
现在用户可以使用 geo
命名空间访问您的方法
>>> ds = pd.DataFrame(
... {"longitude": np.linspace(0, 10), "latitude": np.linspace(0, 20)}
... )
>>> ds.geo.center
(5.0, 10.0)
>>> ds.geo.plot()
# plots data on a map
这是一种方便的方法,可以在不继承 pandas 对象的情况下扩展它们。如果您编写了自定义访问器,请提交拉取请求,将其添加到我们的生态系统页面。
我们强烈建议在访问器的 __init__
中验证数据。在我们的 GeoAccessor
中,我们验证数据是否包含预期的列,如果验证失败则引发 AttributeError
。对于 Series
访问器,如果访问器仅适用于某些数据类型,则应验证 dtype
。
扩展类型#
注意
在 pandas 1.5 之前,pandas.api.extensions.ExtensionDtype
和 pandas.api.extensions.ExtensionArray
API 处于实验阶段。从 1.5 版本开始,未来的更改将遵循 pandas 弃用策略。
pandas 定义了一个用于实现数据类型和数组的接口,这些数据类型和数组 扩展 了 NumPy 的类型系统。pandas 自身也使用扩展系统来实现 NumPy 中未内置的一些类型(分类类型、周期类型、区间类型、带时区的时间日期类型)。
库可以定义自定义数组和数据类型。当 pandas 遇到这些对象时,它们将被正确处理(即不会被转换为对象 ndarray)。许多方法,例如 pandas.isna()
,将分派到扩展类型的实现。
如果您正在构建实现该接口的库,请在生态系统页面上公布它。
该接口包含两个类。
ExtensionDtype
#
一个 pandas.api.extensions.ExtensionDtype
类似于一个 numpy.dtype
对象。它描述了数据类型。实现者负责一些独有的项,例如名称。
其中一个特别重要的项是 type
属性。这应该是数据的标量类型的类。例如,如果您正在为 IP 地址数据编写扩展数组,这可能是 ipaddress.IPv4Address
。
有关接口定义,请参阅扩展 dtype 源代码。
pandas.api.extensions.ExtensionDtype
可以注册到 pandas 中,以便通过字符串 dtype 名称创建。这允许使用注册的字符串名称实例化 Series
和 .astype()
,例如 'category'
是 CategoricalDtype
的注册字符串访问器。
有关如何注册 dtypes 的更多信息,请参阅扩展 dtype dtypes。
ExtensionArray
#
此类提供了所有类数组功能。ExtensionArray 仅限于 1 维。ExtensionArray 通过 dtype
属性链接到 ExtensionDtype。
pandas 对通过 __new__
或 __init__
创建扩展数组的方式没有限制,并且对如何存储数据也没有限制。我们确实要求您的数组可以转换为 NumPy 数组,即使这相对昂贵(如 Categorical
的情况)。
它们可能由零个、一个或多个 NumPy 数组支持。例如,pandas.Categorical
是一个由两个数组支持的扩展数组,一个用于代码,一个用于类别。IPv6 地址数组可以由一个包含两个字段的 NumPy 结构化数组支持,一个用于低 64 位,一个用于高 64 位。或者它们可以由其他存储类型支持,例如 Python 列表。
有关接口定义,请参阅扩展数组源代码。文档字符串和注释包含了正确实现接口的指导。
ExtensionArray
运算符支持#
默认情况下,ExtensionArray
类没有定义任何运算符。为您的 ExtensionArray 提供运算符支持有两种方法
在您的
ExtensionArray
子类上定义每个运算符。使用 pandas 中的运算符实现,该实现依赖于 ExtensionArray 的底层元素(标量)上已经定义的运算符。
注意
无论采用哪种方法,如果您希望在与 NumPy 数组进行二元运算时调用您的实现,您可能需要设置 __array_priority__
。
对于第一种方法,您定义选定的运算符,例如 __add__
、__le__
等,您希望您的 ExtensionArray
子类支持这些运算符。
第二种方法假设 ExtensionArray
的底层元素(即标量类型)已经定义了单个运算符。换句话说,如果您的 ExtensionArray
名为 MyExtensionArray
,并且其实现使得每个元素都是 MyExtensionElement
类的一个实例,那么如果在 MyExtensionElement
中定义了运算符,第二种方法将自动为 MyExtensionArray
定义运算符。
Mixin 类 ExtensionScalarOpsMixin
支持第二种方法。如果开发一个 ExtensionArray
子类,例如 MyExtensionArray
,只需将 ExtensionScalarOpsMixin
作为 MyExtensionArray
的父类包含进来,然后调用方法 _add_arithmetic_ops()
和/或 _add_comparison_ops()
将运算符挂接到您的 MyExtensionArray
类中,如下所示
from pandas.api.extensions import ExtensionArray, ExtensionScalarOpsMixin
class MyExtensionArray(ExtensionArray, ExtensionScalarOpsMixin):
pass
MyExtensionArray._add_arithmetic_ops()
MyExtensionArray._add_comparison_ops()
注意
由于 pandas
会自动逐个元素地调用底层运算符,这可能不如直接在 ExtensionArray
上实现您自己的相关运算符版本性能好。
对于算术运算,此实现将尝试使用逐元素操作的结果重新构建新的 ExtensionArray
。这是否成功取决于操作返回的结果是否对 ExtensionArray
有效。如果无法重新构建 ExtensionArray
,则会返回包含标量的 ndarray。
为了便于实现以及与 pandas 和 NumPy ndarray 之间的操作保持一致,我们建议 不要 在您的二元运算中处理 Series 和 Indexes。相反,您应该检测到这些情况并返回 NotImplemented
。当 pandas 遇到类似 op(Series, ExtensionArray)
的操作时,pandas 将会
从
Series
中拆箱数组 (Series.array
)调用
result = op(values, ExtensionArray)
将结果重新装箱到
Series
中
NumPy 通用函数#
Series
实现了 __array_ufunc__
。作为实现的一部分,pandas 会从 Series
中拆箱 ExtensionArray
,应用 ufunc,并在必要时重新装箱。
如果适用,我们强烈建议您在扩展数组中实现 __array_ufunc__
以避免强制转换为 ndarray。请参阅NumPy 文档以获取示例。
作为实现的一部分,我们要求您在 inputs
中检测到 pandas 容器(Series
、DataFrame
、Index
)时,将处理委托给 pandas。如果其中任何一个存在,您应该返回 NotImplemented
。pandas 将负责从容器中拆箱数组,并使用拆箱后的输入重新调用 ufunc。
测试扩展数组#
我们提供了一套测试套件,用于确保您的扩展数组满足预期行为。要使用测试套件,您必须提供几个 pytest fixture 并继承基础测试类。所需的 fixture 可以在 pandas-dev/pandas 中找到。
要使用测试,请继承它
from pandas.tests.extension import base
class TestConstructors(base.BaseConstructorsTests):
pass
请参阅 pandas-dev/pandas 以获取所有可用测试的列表。
与 Apache Arrow 的兼容性#
通过实现两个方法:ExtensionArray.__arrow_array__
和 ExtensionDtype.__from_arrow__
,ExtensionArray
可以支持与 pyarrow
数组之间的相互转换(从而支持例如序列化为 Parquet 文件格式)。
通过实现 ExtensionArray.__arrow_array__
可以确保 pyarrow
知道如何将特定的扩展数组转换为 pyarrow.Array
(即使作为列包含在 pandas DataFrame 中时也是如此)
class MyExtensionArray(ExtensionArray):
...
def __arrow_array__(self, type=None):
# convert the underlying array values to a pyarrow Array
import pyarrow
return pyarrow.array(..., type=type)
ExtensionDtype.__from_arrow__
方法则控制从 pyarrow 到 pandas ExtensionArray 的转换。此方法仅接受 pyarrow Array
或 ChunkedArray
作为参数,并应返回此 dtype 和传递值对应的 pandas ExtensionArray
class ExtensionDtype:
...
def __from_arrow__(self, array: pyarrow.Array/ChunkedArray) -> ExtensionArray:
...
更多信息请参阅Arrow 文档。
这些方法已在 pandas 中包含的可空整数和字符串扩展 dtypes 中实现,并确保到 pyarrow 和 Parquet 文件格式的往返转换。
继承 pandas 数据结构#
本节介绍了如何继承 pandas
数据结构以满足更具体的需求。有两个需要注意的点
覆盖构造函数属性。
定义原始属性
注意
您可以在 geopandas 项目中找到一个很好的例子。
覆盖构造函数属性#
每个数据结构都有几个 构造函数属性,用于在操作后返回新的数据结构。通过覆盖这些属性,您可以在 pandas
数据操作中保留子类。
子类上可以定义 3 个可能的构造函数属性
DataFrame/Series._constructor
:当操作结果与原始对象的维度相同时使用。DataFrame._constructor_sliced
:当DataFrame
(子)类操作结果应为Series
(子)类时使用。Series._constructor_expanddim
:当Series
(子)类操作结果应为DataFrame
(子)类时使用,例如Series.to_frame()
。
以下示例展示了如何定义覆盖构造函数属性的 SubclassedSeries
和 SubclassedDataFrame
。
class SubclassedSeries(pd.Series):
@property
def _constructor(self):
return SubclassedSeries
@property
def _constructor_expanddim(self):
return SubclassedDataFrame
class SubclassedDataFrame(pd.DataFrame):
@property
def _constructor(self):
return SubclassedDataFrame
@property
def _constructor_sliced(self):
return SubclassedSeries
>>> s = SubclassedSeries([1, 2, 3])
>>> type(s)
<class '__main__.SubclassedSeries'>
>>> to_framed = s.to_frame()
>>> type(to_framed)
<class '__main__.SubclassedDataFrame'>
>>> df = SubclassedDataFrame({"A": [1, 2, 3], "B": [4, 5, 6], "C": [7, 8, 9]})
>>> df
A B C
0 1 4 7
1 2 5 8
2 3 6 9
>>> type(df)
<class '__main__.SubclassedDataFrame'>
>>> sliced1 = df[["A", "B"]]
>>> sliced1
A B
0 1 4
1 2 5
2 3 6
>>> type(sliced1)
<class '__main__.SubclassedDataFrame'>
>>> sliced2 = df["A"]
>>> sliced2
0 1
1 2
2 3
Name: A, dtype: int64
>>> type(sliced2)
<class '__main__.SubclassedSeries'>
定义原始属性#
要让原始数据结构具有额外的属性,您应该告知 pandas
添加了哪些属性。pandas
通过覆盖 __getattribute__
将未知属性映射到数据名称。定义原始属性可以通过以下两种方式之一完成
定义
_internal_names
和_internal_names_set
用于临时属性,这些属性将 不会 传递给操作结果。定义
_metadata
用于将传递给操作结果的普通属性。
以下是一个示例,定义了两个原始属性:“internal_cache”作为临时属性,“added_property”作为普通属性
class SubclassedDataFrame2(pd.DataFrame):
# temporary properties
_internal_names = pd.DataFrame._internal_names + ["internal_cache"]
_internal_names_set = set(_internal_names)
# normal properties
_metadata = ["added_property"]
@property
def _constructor(self):
return SubclassedDataFrame2
>>> df = SubclassedDataFrame2({"A": [1, 2, 3], "B": [4, 5, 6], "C": [7, 8, 9]})
>>> df
A B C
0 1 4 7
1 2 5 8
2 3 6 9
>>> df.internal_cache = "cached"
>>> df.added_property = "property"
>>> df.internal_cache
cached
>>> df.added_property
property
# properties defined in _internal_names is reset after manipulation
>>> df[["A", "B"]].internal_cache
AttributeError: 'SubclassedDataFrame2' object has no attribute 'internal_cache'
# properties defined in _metadata are retained
>>> df[["A", "B"]].added_property
property
绘图后端#
pandas 可以通过第三方绘图后端进行扩展。主要思想是允许用户选择不同于基于 Matplotlib 提供的绘图后端。例如
>>> pd.set_option("plotting.backend", "backend.module")
>>> pd.Series([1, 2, 3]).plot()
这大致相当于
>>> import backend.module
>>> backend.module.plot(pd.Series([1, 2, 3]))
然后后端模块可以使用其他可视化工具(Bokeh、Altair 等)来生成图表。
实现绘图后端的库应使用入口点使其后端对 pandas 可发现。关键是 "pandas_plotting_backends"
。例如,pandas 按如下方式注册默认的“matplotlib”后端。
# in setup.py
setup( # noqa: F821
...,
entry_points={
"pandas_plotting_backends": [
"matplotlib = pandas:plotting._matplotlib",
],
},
)
有关如何实现第三方绘图后端的更多信息,请参阅 pandas-dev/pandas。
与第三方类型的算术运算#
为了控制自定义类型和 pandas 类型之间的算术运算如何工作,请实现 __pandas_priority__
。类似于 numpy 的 __array_priority__
语义,如果 other
对象具有更高值的 __pandas_priority__
属性,则 DataFrame
、Series
和 Index
对象上的算术方法将委托给 other
。
默认情况下,pandas 对象会尝试与其他对象进行操作,即使它们不是 pandas 已知的类型
>>> pd.Series([1, 2]) + [10, 20]
0 11
1 22
dtype: int64
在上面的示例中,如果 [10, 20]
是一个可以被理解为列表的自定义类型,pandas 对象仍然会以同样的方式对其进行操作。
在某些情况下,将操作委托给其他类型很有用。例如,假设我实现了一个自定义列表对象,并且我希望我的自定义列表与 pandas Series
相加的结果是我的列表的一个实例,而不是像上一个示例中那样是一个 Series
。现在,通过定义我的自定义列表的 __pandas_priority__
属性并将其设置为高于我想要操作的 pandas 对象的优先级的值,就可以实现这一点。
DataFrame
、Series
和 Index
的 __pandas_priority__
分别是 4000
、3000
和 2000
。基础 ExtensionArray.__pandas_priority__
是 1000
。
class CustomList(list):
__pandas_priority__ = 5000
def __radd__(self, other):
# return `self` and not the addition for simplicity
return self
custom = CustomList()
series = pd.Series([1, 2, 3])
# Series refuses to add custom, since it's an unknown type with higher priority
assert series.__add__(custom) is NotImplemented
# This will cause the custom class `__radd__` being used instead
assert series + custom is custom