常见问题解答 (FAQ)#

DataFrame 内存使用情况#

调用 DataFrame(包括索引)的内存使用情况会在调用 info() 时显示。配置选项 display.memory_usage(参见 选项列表)指定在调用 DataFrameinfo() 方法时是否显示内存使用情况。

例如,以下 DataFrame 的内存使用情况在调用 info() 时显示。

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 + 表示实际内存使用量可能更高,因为 pandas 不会计算 dtype=object 列中值的内存使用量。

传递 memory_usage='deep' 将启用更准确的内存使用情况报告,并考虑所包含对象的全部使用情况。这是可选的,因为进行更深入的内省可能很昂贵。

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,但可以通过在调用 info() 时传递 memory_usage 参数来显式覆盖。

可以通过调用 memory_usage() 方法找到每列的内存使用情况。这将返回一个 Series,其索引由列名表示,每列的内存使用情况以字节显示。对于上面的 DataFrame,可以使用 memory_usage() 方法找到每列的内存使用情况和总内存使用情况。

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

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

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 memory_usage() 方法来确定 DataFrame 的内存使用情况,同时以人类可读的单位(以 2 为底的表示法;即 1KB = 1024 字节)格式化输出。

另请参见 分类内存使用情况

在 pandas 中使用 if/truth 语句#

pandas 遵循 NumPy 的约定,当您尝试将某物转换为 bool 时会引发错误。这发生在 if 语句中或使用布尔运算符时:andornot。以下代码的结果尚不清楚

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

它应该是 True 因为它不是零长度,还是 False 因为它包含 False 值?这并不清楚,因此 pandas 会引发 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)
   1574     @final
   1575     def __nonzero__(self) -> NoReturn:
-> 1576         raise ValueError(
   1577             f"The truth value of a {type(self).__name__} is ambiguous. "
   1578             "Use a.empty, a.bool(), a.item(), a.any() or a.all()."
   1579         )

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 DataFrame 执行的操作,例如使用 any()all()empty()。或者,您可能希望比较 pandas 对象是否为 None

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

以下是检查任何值是否为 True 的方法

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

按位布尔运算#

按位布尔运算符(如 ==!=)返回一个布尔 Series,该运算符在与标量比较时执行逐元素比较。

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,请参见 布尔比较

使用 in 运算符#

在 Python in 运算符上使用 Series 测试的是 **索引** 中的成员资格,而不是值中的成员资格。

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,在 Python 字典上使用 in 会测试键,而不是值,而 Series 类似于字典。要测试值中的成员资格,请使用方法 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

对于 DataFrame,同样,in 应用于列轴,测试列名列表中的成员资格。

使用用户定义函数 (UDF) 方法进行变异#

本节适用于接受 UDF 的 pandas 方法。特别是,方法 DataFrame.apply()DataFrame.aggregate()DataFrame.transform()DataFrame.filter()

在编程中,一般规则是,不应该在迭代容器时对其进行变异。变异将使迭代器失效,导致意外行为。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]

人们可能期望结果是 [1, 3, 5]。当使用接受 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 变异(更改)了 DataFrame,则可能会出现意外行为。

以下是用 DataFrame.apply() 的类似示例

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:10361, in DataFrame.apply(self, func, axis, raw, result_type, args, by_row, engine, engine_kwargs, **kwargs)
  10347 from pandas.core.apply import frame_apply
  10349 op = frame_apply(
  10350     self,
  10351     func=func,
   (...)
  10359     kwargs=kwargs,
  10360 )
> 10361 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:5382, in Series.pop(self, item)
   5357 def pop(self, item: Hashable) -> Any:
   5358     """
   5359     Return item and drops from series. Raise KeyError if not found.
   5360 
   (...)
   5380     dtype: int64
   5381     """
-> 5382     return super().pop(item=item)

File ~/work/pandas/pandas/pandas/core/generic.py:946, in NDFrame.pop(self, item)
    945 def pop(self, item: Hashable) -> Series | Any:
--> 946     result = self[item]
    947     del self[item]
    949     return result

File ~/work/pandas/pandas/pandas/core/series.py:1112, in Series.__getitem__(self, key)
   1109     return self._values[key]
   1111 elif key_is_scalar:
-> 1112     return self._get_value(key)
   1114 # Convert generator to list before going through hashable part
   1115 # (We will iterate through the generator there to check for slices)
   1116 if is_iterator(key):

File ~/work/pandas/pandas/pandas/core/series.py:1228, in Series._get_value(self, label, takeable)
   1225     return self._values[label]
   1227 # Similar to Index.get_value, but we do not fall back to positional
-> 1228 loc = self.index.get_loc(label)
   1230 if is_integer(loc):
   1231     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,可以创建一个副本,以便变异不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 类型缺失值表示#

np.nan 作为 NumPy 类型的 NA 表示#

由于 NumPy 和 Python 本身缺乏对 NA(缺失)的支持,NA 可以用以下方式表示:

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

  • 使用特殊哨兵值、位模式或一组哨兵值来表示跨数据类型的 NA

特殊值 np.nan(非数字)被选为 NumPy 类型的 NA 值,并且存在像 DataFrame.isna()DataFrame.notna() 这样的 API 函数,可以跨数据类型用于检测 NA 值。但是,这种选择有一个缺点,即会将缺失的整数数据强制转换为浮点类型,如 整数 NA 支持 中所示。

NumPy 类型的 NA 类型提升#

当通过 reindex() 或其他方式将 NA 引入现有的 SeriesDataFrame 时,布尔类型和整数类型将被提升为不同的数据类型以存储 NA。提升总结在下表中

类型类

用于存储 NA 的提升数据类型

浮点数

无变化

对象

无变化

整数

转换为 float64

布尔值

转换为 object

支持整数 NA#

在没有从根本上构建到 NumPy 中的高性能 NA 支持的情况下,主要的损失是表示整数数组中的 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')

这种权衡主要出于内存和性能方面的考虑,也是为了使生成的 Series 仍然是“数值型”。

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 可空整数数据类型PyArrow 功能

为什么不使 NumPy 像 R?#

许多人建议 NumPy 应该简单地模拟更特定于领域的统计编程语言 R 中存在的 NA 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(浮点数)、characterbooleanNA 类型是通过为每种类型保留特殊的位模式来实现的,这些模式用作缺失值。虽然使用完整的 NumPy 类型层次结构这样做是可能的,但这将是一个更大的权衡(尤其是对于 8 位和 16 位数据类型)和实现工作。

但是,现在可以通过使用掩码 NumPy 类型(例如 Int64Dtype)或 PyArrow 类型(ArrowDtype)来使用 R NA 语义。

与 NumPy 的区别#

对于 SeriesDataFrame 对象,var() 通过 N-1 进行归一化,以产生 对总体方差的无偏估计,而 NumPy 的 numpy.var() 通过 N 进行归一化,它测量样本的方差。请注意,cov() 在 pandas 和 NumPy 中都通过 N-1 进行归一化。

线程安全性#

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

有关更多信息,请参见 此链接

字节序问题#

有时您可能需要处理在与运行 Python 的机器不同的字节序的机器上创建的数据。此问题的常见症状是类似于以下的错误

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

为了解决此问题,您应该在将底层 NumPy 数组传递给 SeriesDataFrame 构造函数之前,将其转换为本机系统字节序,使用类似于以下内容

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 NumPy 文档中的字节序