可空整数数据类型#
注意
IntegerArray 目前处于实验阶段。其 API 或实现可能会在未经通知的情况下更改。使用 pandas.NA
作为缺失值。
在 处理缺失数据 中,我们看到 pandas 主要使用 NaN
来表示缺失数据。因为 NaN
是一个浮点数,这会导致任何包含缺失值的整数数组变成浮点数。在某些情况下,这可能无关紧要。但是,如果您的整数列是,比如,一个标识符,转换为浮点数可能会出现问题。有些整数甚至无法表示为浮点数。
构造#
pandas 可以使用 arrays.IntegerArray
来表示可能包含缺失值的整数数据。这是一种在 pandas 中实现的 扩展类型。
In [1]: arr = pd.array([1, 2, None], dtype=pd.Int64Dtype())
In [2]: arr
Out[2]:
<IntegerArray>
[1, 2, <NA>]
Length: 3, dtype: Int64
或者字符串别名 "Int64"
(注意大写的 "I"
)来区分 NumPy 的 'int64'
数据类型。
In [3]: pd.array([1, 2, np.nan], dtype="Int64")
Out[3]:
<IntegerArray>
[1, 2, <NA>]
Length: 3, dtype: Int64
所有 NA 类值都被替换为 pandas.NA
。
In [4]: pd.array([1, 2, np.nan, None, pd.NA], dtype="Int64")
Out[4]:
<IntegerArray>
[1, 2, <NA>, <NA>, <NA>]
Length: 5, dtype: Int64
此数组可以像任何 NumPy 数组一样存储在 DataFrame
或 Series
中。
In [5]: pd.Series(arr)
Out[5]:
0 1
1 2
2 <NA>
dtype: Int64
您也可以将列表类对象与数据类型一起传递给 Series
构造函数。
警告
目前 pandas.array()
和 pandas.Series()
使用不同的数据类型推断规则。 pandas.array()
将推断一个可空整数数据类型。
In [6]: pd.array([1, None])
Out[6]:
<IntegerArray>
[1, <NA>]
Length: 2, dtype: Int64
In [7]: pd.array([1, 2])
Out[7]:
<IntegerArray>
[1, 2]
Length: 2, dtype: Int64
为了向后兼容性,Series
将这些推断为整数或浮点数数据类型。
In [8]: pd.Series([1, None])
Out[8]:
0 1.0
1 NaN
dtype: float64
In [9]: pd.Series([1, 2])
Out[9]:
0 1
1 2
dtype: int64
我们建议明确提供数据类型以避免混淆。
In [10]: pd.array([1, None], dtype="Int64")
Out[10]:
<IntegerArray>
[1, <NA>]
Length: 2, dtype: Int64
In [11]: pd.Series([1, None], dtype="Int64")
Out[11]:
0 1
1 <NA>
dtype: Int64
将来,我们可能会提供一个选项,让 Series
推断出可空整数数据类型。
操作#
涉及整数数组的操作将类似于 NumPy 数组。缺失值将被传播,如果需要,数据将被强制转换为其他数据类型。
In [12]: s = pd.Series([1, 2, None], dtype="Int64")
# arithmetic
In [13]: s + 1
Out[13]:
0 2
1 3
2 <NA>
dtype: Int64
# comparison
In [14]: s == 1
Out[14]:
0 True
1 False
2 <NA>
dtype: boolean
# slicing operation
In [15]: s.iloc[1:3]
Out[15]:
1 2
2 <NA>
dtype: Int64
# operate with other dtypes
In [16]: s + s.iloc[1:3].astype("Int8")
Out[16]:
0 <NA>
1 4
2 <NA>
dtype: Int64
# coerce when needed
In [17]: s + 0.01
Out[17]:
0 1.01
1 2.01
2 <NA>
dtype: Float64
这些数据类型可以作为 DataFrame
的一部分进行操作。
In [18]: df = pd.DataFrame({"A": s, "B": [1, 1, 3], "C": list("aab")})
In [19]: df
Out[19]:
A B C
0 1 1 a
1 2 1 a
2 <NA> 3 b
In [20]: df.dtypes
Out[20]:
A Int64
B int64
C object
dtype: object
这些数据类型可以合并、重塑和转换。
In [21]: pd.concat([df[["A"]], df[["B", "C"]]], axis=1).dtypes
Out[21]:
A Int64
B int64
C object
dtype: object
In [22]: df["A"].astype(float)
Out[22]:
0 1.0
1 2.0
2 NaN
Name: A, dtype: float64
诸如 sum()
之类的缩减和分组操作也适用。
In [23]: df.sum(numeric_only=True)
Out[23]:
A 3
B 5
dtype: Int64
In [24]: df.sum()
Out[24]:
A 3
B 5
C aab
dtype: object
In [25]: df.groupby("B").A.sum()
Out[25]:
B
1 3
3 0
Name: A, dtype: Int64
标量 NA 值#
arrays.IntegerArray
使用 pandas.NA
作为其标量缺失值。对单个缺失元素进行切片将返回 pandas.NA
In [26]: a = pd.array([1, None], dtype="Int64")
In [27]: a[1]
Out[27]: <NA>