版本 0.18.1 (2016 年 5 月 3 日)#
这是 0.18.0 版本的一个小型的 bug 修复版本，包含大量 bug 修复以及若干新特性、增强功能和性能改进。我们建议所有用户升级到此版本。
主要亮点包括
.groupby(...)已增强，在使用.rolling(..),.expanding(..)和.resample(..)进行分组操作时提供了便捷的语法，详见此处pd.to_datetime()增加了从DataFrame组装日期的能力，详见此处方法链改进，详见此处。
自定义工作小时偏移，详见此处。
sparse处理中的许多 bug 修复，详见此处扩展了教程部分，新增了现代 pandas 特性，由 @TomAugsburger 提供。（GH 13045）。
新特性#
自定义工作小时#
CustomBusinessHour 是 BusinessHour 和 CustomBusinessDay 的混合，允许您指定任意假期。详情请参阅自定义工作小时（GH 11514）
In [1]: from pandas.tseries.offsets import CustomBusinessHour
In [2]: from pandas.tseries.holiday import USFederalHolidayCalendar
In [3]: bhour_us = CustomBusinessHour(calendar=USFederalHolidayCalendar())
MLK 日前的星期五
In [4]: import datetime
In [5]: dt = datetime.datetime(2014, 1, 17, 15)
In [6]: dt + bhour_us
Out[6]: Timestamp('2014-01-17 16:00:00')
MLK 日后的星期二（星期一因是假期被跳过）
In [7]: dt + bhour_us * 2
Out[7]: Timestamp('2014-01-20 09:00:00')
方法 .groupby(..) 语法结合窗口和重采样操作#
.groupby(...) 已增强，在使用 .rolling(..), .expanding(..) 和 .resample(..) 进行分组操作时提供了便捷的语法，详见（GH 12486, GH 12738）。
您现在可以在 groupby 对象上将 .rolling(..) 和 .expanding(..) 作为方法使用。它们会返回另一个延迟对象（类似于 .rolling() 和 .expanding() 在未分组的 pandas 对象上的操作）。然后您可以以类似的方式操作这些 RollingGroupby 对象。
之前，要获取每组的滚动窗口均值，您需要这样做
In [8]: df = pd.DataFrame({"A": [1] * 20 + [2] * 12 + [3] * 8, "B": np.arange(40)})
In [9]: df
Out[9]:
A B
0 1 0
1 1 1
2 1 2
3 1 3
4 1 4
.. .. ..
35 3 35
36 3 36
37 3 37
38 3 38
39 3 39
[40 rows x 2 columns]
In [1]: df.groupby("A").apply(lambda x: x.rolling(4).B.mean())
Out[1]:
A
1 0 NaN
1 NaN
2 NaN
3 1.5
4 2.5
5 3.5
6 4.5
7 5.5
8 6.5
9 7.5
10 8.5
11 9.5
12 10.5
13 11.5
14 12.5
15 13.5
16 14.5
17 15.5
18 16.5
19 17.5
2 20 NaN
21 NaN
22 NaN
23 21.5
24 22.5
25 23.5
26 24.5
27 25.5
28 26.5
29 27.5
30 28.5
31 29.5
3 32 NaN
33 NaN
34 NaN
35 33.5
36 34.5
37 35.5
38 36.5
39 37.5
Name: B, dtype: float64
现在您可以这样做
In [10]: df.groupby("A").rolling(4).B.mean()
Out[10]:
A
1 0 NaN
1 NaN
2 NaN
3 1.5
4 2.5
...
3 35 33.5
36 34.5
37 35.5
38 36.5
39 37.5
Name: B, Length: 40, dtype: float64
对于 .resample(..) 类型的操作，之前您需要这样做
In [11]: df = pd.DataFrame(
....: {
....: "date": pd.date_range(start="2016-01-01", periods=4, freq="W"),
....: "group": [1, 1, 2, 2],
....: "val": [5, 6, 7, 8],
....: }
....: ).set_index("date")
....:
In [12]: df
Out[12]:
group val
date
2016-01-03 1 5
2016-01-10 1 6
2016-01-17 2 7
2016-01-24 2 8
[4 rows x 2 columns]
In[1]: df.groupby("group").apply(lambda x: x.resample("1D").ffill())
Out[1]:
group val
group date
1 2016-01-03 1 5
2016-01-04 1 5
2016-01-05 1 5
2016-01-06 1 5
2016-01-07 1 5
2016-01-08 1 5
2016-01-09 1 5
2016-01-10 1 6
2 2016-01-17 2 7
2016-01-18 2 7
2016-01-19 2 7
2016-01-20 2 7
2016-01-21 2 7
2016-01-22 2 7
2016-01-23 2 7
2016-01-24 2 8
现在您可以这样做
In[1]: df.groupby("group").resample("1D").ffill()
Out[1]:
group val
group date
1 2016-01-03 1 5
2016-01-04 1 5
2016-01-05 1 5
2016-01-06 1 5
2016-01-07 1 5
2016-01-08 1 5
2016-01-09 1 5
2016-01-10 1 6
2 2016-01-17 2 7
2016-01-18 2 7
2016-01-19 2 7
2016-01-20 2 7
2016-01-21 2 7
2016-01-22 2 7
2016-01-23 2 7
2016-01-24 2 8
方法链改进#
以下方法/索引器现在接受 callable。这样做的目的是使它们在方法链中更加有用，详见文档。（GH 11485, GH 12533）
.where()和.mask().loc[],iloc[]和.ix[][]索引
方法 .where() 和 .mask()#
这些方法可以接受 callable 作为条件和 other 参数。
In [13]: df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6], "C": [7, 8, 9]})
In [14]: df.where(lambda x: x > 4, lambda x: x + 10)
Out[14]:
A B C
0 11 14 7
1 12 5 8
2 13 6 9
[3 rows x 3 columns]
方法 .loc[], .iloc[], .ix[]#
这些方法可以接受 callable，以及 callable 元组作为切片器。callable 可以返回一个有效的布尔索引器或任何对这些索引器输入有效的值。
# callable returns bool indexer
In [15]: df.loc[lambda x: x.A >= 2, lambda x: x.sum() > 10]
Out[15]:
B C
1 5 8
2 6 9
[2 rows x 2 columns]
# callable returns list of labels
In [16]: df.loc[lambda x: [1, 2], lambda x: ["A", "B"]]
Out[16]:
A B
1 2 5
2 3 6
[2 rows x 2 columns]
使用 [] 进行索引#
最后，您可以在 Series、DataFrame 和 Panel 的 [] 索引中使用 callable。callable 必须根据其类别和索引类型返回一个对 [] 索引有效的输入。
In [17]: df[lambda x: "A"]
Out[17]:
0 1
1 2
2 3
Name: A, Length: 3, dtype: int64
使用这些方法/索引器，您可以链式进行数据选择操作，而无需使用临时变量。
In [18]: bb = pd.read_csv("data/baseball.csv", index_col="id")
In [19]: (bb.groupby(["year", "team"]).sum(numeric_only=True).loc[lambda df: df.r > 100])
Out[19]:
stint g ab r h X2b ... so ibb hbp sh sf gidp
year team ...
2007 CIN 6 379 745 101 203 35 ... 127.0 14.0 1.0 1.0 15.0 18.0
DET 5 301 1062 162 283 54 ... 176.0 3.0 10.0 4.0 8.0 28.0
HOU 4 311 926 109 218 47 ... 212.0 3.0 9.0 16.0 6.0 17.0
LAN 11 413 1021 153 293 61 ... 141.0 8.0 9.0 3.0 8.0 29.0
NYN 13 622 1854 240 509 101 ... 310.0 24.0 23.0 18.0 15.0 48.0
SFN 5 482 1305 198 337 67 ... 188.0 51.0 8.0 16.0 6.0 41.0
TEX 2 198 729 115 200 40 ... 140.0 4.0 5.0 2.0 8.0 16.0
TOR 4 459 1408 187 378 96 ... 265.0 16.0 12.0 4.0 16.0 38.0
[8 rows x 18 columns]
在 DatetimeIndex 是 MultiIndex 的一部分时进行部分字符串索引#
部分字符串索引现在在 DateTimeIndex 作为 MultiIndex 的一部分时匹配（GH 10331）
In [20]: dft2 = pd.DataFrame(
....: np.random.randn(20, 1),
....: columns=["A"],
....: index=pd.MultiIndex.from_product(
....: [pd.date_range("20130101", periods=10, freq="12H"), ["a", "b"]]
....: ),
....: )
....:
In [21]: dft2
Out[21]:
A
2013-01-01 00:00:00 a 0.469112
b -0.282863
2013-01-01 12:00:00 a -1.509059
b -1.135632
2013-01-02 00:00:00 a 1.212112
... ...
2013-01-04 12:00:00 b 0.271860
2013-01-05 00:00:00 a -0.424972
b 0.567020
2013-01-05 12:00:00 a 0.276232
b -1.087401
[20 rows x 1 columns]
In [22]: dft2.loc["2013-01-05"]
Out[22]:
A
2013-01-05 00:00:00 a -0.424972
b 0.567020
2013-01-05 12:00:00 a 0.276232
b -1.087401
[4 rows x 1 columns]
在其他层级上
In [26]: idx = pd.IndexSlice
In [27]: dft2 = dft2.swaplevel(0, 1).sort_index()
In [28]: dft2
Out[28]:
A
a 2013-01-01 00:00:00 0.469112
2013-01-01 12:00:00 -1.509059
2013-01-02 00:00:00 1.212112
2013-01-02 12:00:00 0.119209
2013-01-03 00:00:00 -0.861849
... ...
b 2013-01-03 12:00:00 1.071804
2013-01-04 00:00:00 -0.706771
2013-01-04 12:00:00 0.271860
2013-01-05 00:00:00 0.567020
2013-01-05 12:00:00 -1.087401
[20 rows x 1 columns]
In [29]: dft2.loc[idx[:, "2013-01-05"], :]
Out[29]:
A
a 2013-01-05 00:00:00 -0.424972
2013-01-05 12:00:00 0.276232
b 2013-01-05 00:00:00 0.567020
2013-01-05 12:00:00 -1.087401
[4 rows x 1 columns]
组装日期时间#
pd.to_datetime() 增加了从传入的 DataFrame 或 dict 组装日期时间的能力。（GH 8158）。
In [20]: df = pd.DataFrame(
....: {"year": [2015, 2016], "month": [2, 3], "day": [4, 5], "hour": [2, 3]}
....: )
....:
In [21]: df
Out[21]:
year month day hour
0 2015 2 4 2
1 2016 3 5 3
[2 rows x 4 columns]
使用传入的 DataFrame 进行组装。
In [22]: pd.to_datetime(df)
Out[22]:
0 2015-02-04 02:00:00
1 2016-03-05 03:00:00
Length: 2, dtype: datetime64[ns]
您可以仅传递需要组装的列。
In [23]: pd.to_datetime(df[["year", "month", "day"]])
Out[23]:
0 2015-02-04
1 2016-03-05
Length: 2, dtype: datetime64[ns]
其他增强功能#
pd.read_csv()现在支持 Python 引擎的delim_whitespace=True参数（GH 12958）pd.read_csv()现在支持通过扩展名推断或显式指定compression='zip'来打开包含单个 CSV 文件的 ZIP 文件（GH 12175）pd.read_csv()现在支持通过扩展名推断或显式指定compression='xz'来打开使用 xz 压缩的文件；DataFrame.to_csv也以同样的方式支持xz压缩（GH 11852）pd.read_msgpack()现在即使在使用压缩时也总是提供可写 ndarrays（GH 12359）。pd.read_msgpack()现在支持使用 msgpack 序列化和反序列化 categoricals（分类数据）（GH 12573）.to_json()现在支持包含 categorical 和 sparse 数据 的NDFrames（GH 10778）interpolate()现在支持method='akima'参数（GH 7588）。pd.read_excel()现在接受 path 对象（例如pathlib.Path,py.path.local）作为文件路径，与其他read_*函数保持一致（GH 12655）向
DatetimeIndex和.dtaccessor 添加了.weekday_name属性作为其组成部分。（GH 11128）Index.take现在一致地处理allow_fill和fill_value参数（GH 12631）In [24]: idx = pd.Index([1.0, 2.0, 3.0, 4.0], dtype="float") # default, allow_fill=True, fill_value=None In [25]: idx.take([2, -1]) Out[25]: Index([3.0, 4.0], dtype='float64') In [26]: idx.take([2, -1], fill_value=True) Out[26]: Index([3.0, nan], dtype='float64')
Index现在支持返回MultiIndex的.str.get_dummies()方法，详见创建指示变量（GH 10008, GH 10103）In [27]: idx = pd.Index(["a|b", "a|c", "b|c"]) In [28]: idx.str.get_dummies("|") Out[28]: MultiIndex([(1, 1, 0), (1, 0, 1), (0, 1, 1)], names=['a', 'b', 'c'])
pd.crosstab()增加了用于规范化频率表的normalize参数（GH 12569）。更新后的文档中的示例详见此处。现在支持
.resample(..).interpolate()（GH 12925）.isin()现在接受传入的sets（集合）（GH 12988）
Sparse 更改#
这些更改使 sparse 处理返回正确的类型，并致力于提供更顺畅的索引体验。
SparseArray.take 现在对标量输入返回标量，对其他输入返回 SparseArray。此外，它以与 Index 相同的规则处理负索引器（GH 10560, GH 12796）
s = pd.SparseArray([np.nan, np.nan, 1, 2, 3, np.nan, 4, 5, np.nan, 6])
s.take(0)
s.take([1, 2, 3])
SparseSeries[]使用Ellipsis索引时引发KeyError的 bug（GH 9467）SparseArray[]使用元组索引时处理不当的 bug（GH 12966）SparseSeries.loc[]使用列表式输入时引发TypeError的 bug（GH 10560）SparseSeries.iloc[]使用标量输入时可能引发IndexError的 bug（GH 10560）SparseSeries.loc[],.iloc[]使用slice时返回SparseArray而非SparseSeries的 bug（GH 10560）SparseDataFrame.loc[],.iloc[]可能导致返回 denseSeries而非SparseSeries的 bug（GH 12787）SparseArray加法运算忽略右侧fill_value的 bug（GH 12910）SparseArray取模运算引发AttributeError的 bug（GH 12910）SparseArray幂运算将1 ** np.nan计算为np.nan而非 1 的 bug（GH 12910）SparseArray比较运算输出结果可能不正确或引发ValueError的 bug（GH 12971）SparseSeries.__repr__在长度超过max_rows时引发TypeError的 bug（GH 10560）SparseSeries.shape忽略fill_value的 bug（GH 10452）SparseSeries和SparseArray的dtype可能与其 dense 值不同步的 bug（GH 12908）SparseSeries.reindex错误处理fill_value的 bug（GH 12797）SparseArray.to_frame()结果为DataFrame而非SparseDataFrame的 bug（GH 9850）SparseSeries.value_counts()不计数fill_value的 bug（GH 6749）SparseArray.to_dense()不保留dtype的 bug（GH 10648）SparseArray.to_dense()错误处理fill_value的 bug（GH 12797）pd.concat()拼接SparseSeries导致结果为 dense 的 bug（GH 10536）pd.concat()拼接SparseDataFrame错误处理fill_value的 bug（GH 9765）pd.concat()拼接SparseDataFrame可能引发AttributeError的 bug（GH 12174）SparseArray.shift()可能引发NameError或TypeError的 bug（GH 12908）
API 更改#
方法 .groupby(..).nth() 更改#
当传入 as_index 参数时，.groupby(..).nth() 输出中的索引现在更加一致（GH 11039）
In [29]: df = pd.DataFrame({"A": ["a", "b", "a"], "B": [1, 2, 3]})
In [30]: df
Out[30]:
A B
0 a 1
1 b 2
2 a 3
[3 rows x 2 columns]
之前行为
In [3]: df.groupby('A', as_index=True)['B'].nth(0)
Out[3]:
0 1
1 2
Name: B, dtype: int64
In [4]: df.groupby('A', as_index=False)['B'].nth(0)
Out[4]:
0 1
1 2
Name: B, dtype: int64
新行为
In [31]: df.groupby("A", as_index=True)["B"].nth(0)
Out[31]:
0 1
1 2
Name: B, Length: 2, dtype: int64
In [32]: df.groupby("A", as_index=False)["B"].nth(0)
Out[32]:
0 1
1 2
Name: B, Length: 2, dtype: int64
此外，之前 .groupby 总是进行排序，无论是否在 .nth() 中传入了 sort=False。
In [33]: np.random.seed(1234)
In [34]: df = pd.DataFrame(np.random.randn(100, 2), columns=["a", "b"])
In [35]: df["c"] = np.random.randint(0, 4, 100)
之前行为
In [4]: df.groupby('c', sort=True).nth(1)
Out[4]:
a b
c
0 -0.334077 0.002118
1 0.036142 -2.074978
2 -0.720589 0.887163
3 0.859588 -0.636524
In [5]: df.groupby('c', sort=False).nth(1)
Out[5]:
a b
c
0 -0.334077 0.002118
1 0.036142 -2.074978
2 -0.720589 0.887163
3 0.859588 -0.636524
新行为
In [36]: df.groupby("c", sort=True).nth(1)
Out[36]:
a b c
2 -0.720589 0.887163 2
3 0.859588 -0.636524 3
7 -0.334077 0.002118 0
21 0.036142 -2.074978 1
[4 rows x 3 columns]
In [37]: df.groupby("c", sort=False).nth(1)
Out[37]:
a b c
2 -0.720589 0.887163 2
3 0.859588 -0.636524 3
7 -0.334077 0.002118 0
21 0.036142 -2.074978 1
[4 rows x 3 columns]
NumPy 函数兼容性#
通过增强 pandas 方法的签名以接受可从 numpy 传入的参数（即使它们不一定在 pandas 实现中使用），pandas 数组类方法（例如 sum 和 take）与其 numpy 对应方法的兼容性得到了显著提升（GH 12644, GH 12638, GH 12687）
Index和TimedeltaIndex的.searchsorted()方法现在接受sorter参数，以保持与 numpy 的searchsorted函数的兼容性（GH 12238）np.round()在Series上的 numpy 兼容性 bug（GH 12600）
签名增强的一个示例如下所示
sp = pd.SparseDataFrame([1, 2, 3])
sp
之前行为
In [2]: np.cumsum(sp, axis=0)
...
TypeError: cumsum() takes at most 2 arguments (4 given)
新行为
np.cumsum(sp, axis=0)
在 GroupBy 重采样中使用 .apply#
对重采样 groupby 操作（使用 pd.TimeGrouper）使用 apply 现在与对其他 groupby 操作的类似 apply 调用具有相同的输出类型。（GH 11742）。
In [38]: df = pd.DataFrame(
....: {"date": pd.to_datetime(["10/10/2000", "11/10/2000"]), "value": [10, 13]}
....: )
....:
In [39]: df
Out[39]:
date value
0 2000-10-10 10
1 2000-11-10 13
[2 rows x 2 columns]
之前行为
In [1]: df.groupby(pd.TimeGrouper(key='date',
...: freq='M')).apply(lambda x: x.value.sum())
Out[1]:
...
TypeError: cannot concatenate a non-NDFrame object
# Output is a Series
In [2]: df.groupby(pd.TimeGrouper(key='date',
...: freq='M')).apply(lambda x: x[['value']].sum())
Out[2]:
date
2000-10-31 value 10
2000-11-30 value 13
dtype: int64
新行为
# Output is a Series
In [55]: df.groupby(pd.TimeGrouper(key='date',
...: freq='M')).apply(lambda x: x.value.sum())
Out[55]:
date
2000-10-31 10
2000-11-30 13
Freq: M, dtype: int64
# Output is a DataFrame
In [56]: df.groupby(pd.TimeGrouper(key='date',
...: freq='M')).apply(lambda x: x[['value']].sum())
Out[56]:
value
date
2000-10-31 10
2000-11-30 13
read_csv 异常的变更#
为了标准化 read_csv API 在 c 引擎和 python 引擎中的行为，当遇到空列或无标题时，两者现在都将引发 EmptyDataError (它是 ValueError 的子类) (GH 12493, GH 12506)
之前行为
In [1]: import io
In [2]: df = pd.read_csv(io.StringIO(''), engine='c')
...
ValueError: No columns to parse from file
In [3]: df = pd.read_csv(io.StringIO(''), engine='python')
...
StopIteration
新行为
In [1]: df = pd.read_csv(io.StringIO(''), engine='c')
...
pandas.io.common.EmptyDataError: No columns to parse from file
In [2]: df = pd.read_csv(io.StringIO(''), engine='python')
...
pandas.io.common.EmptyDataError: No columns to parse from file
除了这个错误变更外，还进行了一些其他更改
CParserError现在是ValueError的子类，而不是仅仅是Exception(GH 12551)当
c引擎无法解析列时，read_csv现在将引发CParserError而不是一般的Exception(GH 12506)当
c引擎在整数列中遇到NaN值时，read_csv现在将引发ValueError而不是一般的Exception(GH 12506)当指定了
true_values并且c引擎遇到包含不可编码字节的列元素时，read_csv现在将引发ValueError而不是一般的Exception(GH 12506)pandas.parser.OverflowError异常已被移除，并已替换为 Python 内建的OverflowError异常 (GH 12506)pd.read_csv()不再允许为usecols参数同时指定字符串和整数的组合 (GH 12678)
方法 to_datetime 的错误变更#
pd.to_datetime() 中存在错误：当传递包含可转换条目的 unit 和 errors='coerce' 时，或者传递包含不可转换条目且指定了 errors='ignore' 时。此外，当 errors='raise' 且该单位遇到超出范围的值时，将引发 OutOfBoundsDateime 异常。(GH 11758, GH 13052, GH 13059)
之前行为
In [27]: pd.to_datetime(1420043460, unit='s', errors='coerce')
Out[27]: NaT
In [28]: pd.to_datetime(11111111, unit='D', errors='ignore')
OverflowError: Python int too large to convert to C long
In [29]: pd.to_datetime(11111111, unit='D', errors='raise')
OverflowError: Python int too large to convert to C long
新行为
In [2]: pd.to_datetime(1420043460, unit='s', errors='coerce')
Out[2]: Timestamp('2014-12-31 16:31:00')
In [3]: pd.to_datetime(11111111, unit='D', errors='ignore')
Out[3]: 11111111
In [4]: pd.to_datetime(11111111, unit='D', errors='raise')
OutOfBoundsDatetime: cannot convert input with unit 'D'
其他 API 变更#
Series、DataFrame、Panel和MultiIndex的.swaplevel()方法现在为其前两个参数i和j设置了默认值，用于交换索引的最内两层。(GH 12934)Index和TimedeltaIndex的.searchsorted()方法现在接受sorter参数，以保持与 numpy 的searchsorted函数的兼容性（GH 12238）Period和PeriodIndex现在引发继承自ValueError的IncompatibleFrequency错误，而不是原始的ValueError(GH 12615)对于 category 数据类型，
Series.apply现在将传递的函数应用于其每个.categories(而不是.codes)，并尽可能返回category数据类型 (GH 12473)如果
parse_dates既不是布尔值、列表也不是字典，read_csv现在将引发TypeError(与文档字符串匹配) (GH 5636).query()/.eval()的默认值现在是engine=None，如果安装了numexpr，将使用它；否则将回退到python引擎。如果安装了numexpr，这将模拟 0.18.1 版本之前的行为 (并且，此前如果未安装 numexpr，.query()/.eval()将会引发错误)。(GH 12749)pd.show_versions()现在包含pandas_datareader版本 (GH 12740)为泛型函数提供适当的
__name__和__qualname__属性 (GH 12021)pd.concat(ignore_index=True)现在默认使用RangeIndex(GH 12695)在合并/连接单层索引和多层索引的 DataFrame 时，
pd.merge()和DataFrame.join()将显示UserWarning(GH 9455, GH 12219)与
scipy> 0.17 版本的兼容性：支持已弃用的piecewise_polynomial插值方法；支持替换方法from_derivatives(GH 12887)
弃用#
性能改进#
改进了
.groupby(..).cumcount()的性能 (GH 11039)使用
skiprows=an_integer时，改进了pd.read_csv()的内存使用 (GH 13005)改进了在检查表名大小写敏感性时的
DataFrame.to_sql性能。现在仅在表名不是小写时检查表是否已正确创建。(GH 12876)改进了
.str.encode()和.str.decode()方法的性能 (GH 13008)如果输入是数值数据类型，则改进了
to_numeric的性能 (GH 12777)改进了使用
IntIndex进行稀疏运算的性能 (GH 13036)
错误修复#
即使 CSV 文件行数不一致，
pd.read_csv中的usecols参数现在也能被遵守 (GH 12203)groupby.transform(..)中的错误：当使用非单调有序索引指定axis=1时 (GH 12713)Period和PeriodIndex创建中的错误：如果指定了freq="Minute"，会引发KeyError。请注意，v0.17.0 版本中“Minute”频率已弃用，建议改用freq="T"(GH 11854)使用
PeriodIndex调用.resample(...).count()时总是引发TypeError的错误 (GH 12774)使用
PeriodIndex调用.resample(...)时，在为空时转换为DatetimeIndex的错误 (GH 12868)使用
PeriodIndex调用.resample(...)时，重采样到现有频率时的错误 (GH 12770)打印包含具有不同
freq的Period数据时引发ValueError的错误 (GH 12615)在使用
Categorical构造Series且指定了dtype='category'时出错 (GH 12574)与可强制转换数据类型的连接过于激进，导致对象长度超过
display.max_rows时输出格式的数据类型不同的错误 (GH 12411, GH 12045, GH 11594, GH 10571, GH 12211)float_format选项未被验证为可调用对象的错误 (GH 12706)GroupBy.filter中的错误：当dropna=False且没有组满足条件时 (GH 12768).cum*函数的__name__错误 (GH 12021)将
Float64Inde/Int64Index转换为Int64Index时的.astype()错误 (GH 12881)在使用
orient='index'(默认值) 在.to_json()/.read_json()中往返整数索引时出错 (GH 12866)尝试绘制堆叠条形图时，绘制
Categorical数据类型导致错误 (GH 13019)与 >=
numpy1.11 版本的兼容性，用于NaT比较 (GH 12969)使用非唯一的
MultiIndex调用.drop()时的错误。(GH 12701)时区感知和时区无关 DataFrame 的
.concat错误 (GH 12467)在
.resample(..).fillna(..)中传递非字符串参数时未正确引发ValueError的错误 (GH 12952)pd.read_sas()中各种编码和标题处理问题的错误修复 (GH 12659, GH 12654, GH 12647, GH 12809)pd.crosstab()中的错误：当values=None时会静默忽略aggfunc(GH 12569)。在序列化
datetime.time时DataFrame.to_json中潜在的段错误 (GH 11473)。尝试序列化 0 维数组时
DataFrame.to_json中潜在的段错误 (GH 11299)。尝试序列化非 ndarray 值的
DataFrame或Series时to_json中的段错误；现在支持序列化category、sparse和时区感知的datetime64[ns, tz]数据类型 (GH 10778)。不支持的数据类型未传递给默认处理器时
DataFrame.to_json中的错误 (GH 12554)。.align未返回子类的错误 (GH 12983)将
Series与DataFrame对齐时出错 (GH 13037)ABCPanel中的错误：Panel4D未被视为此泛型类型的有效实例 (GH 12810)在
.groupby(..).apply(..)情况下.name的一致性错误 (GH 12363)Timestamp.__repr__中导致pprint在嵌套结构中失败的错误 (GH 12622)Timedelta.min和Timedelta.max中的错误，现在属性报告 pandas 识别的真正最小/最大timedeltas。请参阅文档。(GH 12727)使用插值调用
.quantile()时可能会意外地强制转换为float的错误 (GH 12772)空的
Series调用.quantile()可能会返回标量而不是空的Series的错误 (GH 12772).loc中的错误：大型索引器中的越界访问会引发IndexError而不是KeyError(GH 12527)使用
TimedeltaIndex和.asfreq()进行重采样时，此前不会包含最后一个时间点的错误 (GH 12926)在
DataFrame中与Categorical进行相等性测试时出错 (GH 12564)使用
TimeGrouper时，GroupBy.first()和.last()返回错误的行 (GH 7453)使用
c引擎并指定包含带引号项中换行的skiprows时，pd.read_csv()中的错误 (GH 10911, GH 12775)对齐赋值时，时区感知的日期时间
Series的时区信息丢失的DataFrame错误 (GH 12981).value_counts()中的错误：当normalize=True且dropna=True时，空值仍计入归一化计数 (GH 12558)Series.value_counts()如果数据类型是category，则名称丢失 (GH 12835)Series.value_counts()时区信息丢失 (GH 12835)使用
Categorical调用Series.value_counts(normalize=True)时引发UnboundLocalError的错误 (GH 12835)Panel.fillna()忽略inplace=True的错误 (GH 12633)使用
c引擎并同时指定names,usecols, 和parse_dates时，pd.read_csv()中的错误 (GH 9755)使用
c引擎并同时指定delim_whitespace=True和lineterminator时，pd.read_csv()中的错误 (GH 12912)Series.rename,DataFrame.rename和DataFrame.rename_axis未将Series视为重新标记的映射的错误 (GH 12623)。改进了
.rolling.min和.rolling.max中的数据类型处理 (GH 12373)groupby中复数类型被强制转换为浮点数的错误 (GH 12902)如果数据类型是
category或时区感知日期时间，则Series.map引发TypeError的错误 (GH 12473)在 32 位平台上进行某些测试比较时出错 (GH 12972)
从
RangeIndex构造回退时索引强制转换中的错误 (GH 12893)窗口函数中传递无效参数 (例如浮点窗口) 时的错误消息改进 (GH 12669)
对定义为返回子类化
Series的子类化DataFrame进行切片时可能会返回正常的Series的错误 (GH 11559)如果输入具有
name且结果是DataFrame或MultiIndex，则.str访问器方法可能引发ValueError的错误 (GH 12617)在空 DataFrame 上的
DataFrame.last_valid_index()和DataFrame.first_valid_index()错误 (GH 12800)CategoricalIndex.get_loc返回与普通Index不同的结果的错误 (GH 12531)PeriodIndex.resample中名称未传播的错误 (GH 12769)date_rangeclosed关键字和时区错误 (GH 12684)。当输入数据包含时区感知日期时间和时间差时，
pd.concat引发AttributeError的错误 (GH 12620)pd.concat未正确处理空的Series的错误 (GH 11082)指定整数
width时，.plot.bar对齐错误 (GH 12979)如果二元运算符的参数是常量，则
fill_value被忽略的错误 (GH 12723)使用 bs4 解析器且解析的表格有标题但只有一列时，
pd.read_html()中的错误 (GH 9178).pivot_table中的错误：当margins=True且dropna=True时，空值仍计入边际计数 (GH 12577).pivot_table中的错误：当dropna=False时，表索引/列名消失 (GH 12133)当
margins=True和dropna=False时，pd.crosstab()中存在一个导致错误的 Bug (GH 12642)当
name属性可以是可哈希类型时，Series.name存在 Bug (GH 12610).describe()重置分类列信息的 Bug (GH 11558)在时间序列上调用
resample().count()时，loffset参数未被应用的 Bug (GH 12725)pd.read_excel()现在接受与关键字参数names相关联的列名 (GH 12870)在
pd.to_numeric()中，当输入为Index时，返回np.ndarray而不是Index的 Bug (GH 12777)在
pd.to_numeric()中，当输入为日期时间类型时，可能引发TypeError的 Bug (GH 12777)在
pd.to_numeric()中，当输入为标量时，引发ValueError的 Bug (GH 12777)
贡献者#
总共有 60 人为本次发布贡献了补丁。名字旁边有“+”的人是第一次贡献补丁。
Andrew Fiore-Gartland +
Bastiaan +
Benoît Vinot +
Brandon Rhodes +
DaCoEx +
Drew Fustin +
Ernesto Freitas +
Filip Ter +
Gregory Livschitz +
Gábor Lipták
Hassan Kibirige +
Iblis Lin
Israel Saeta Pérez +
Jason Wolosonovich +
Jeff Reback
Joe Jevnik
Joris Van den Bossche
Joshua Storck +
Ka Wo Chen
Kerby Shedden
Kieran O’Mahony
Leif Walsh +
Mahmoud Lababidi +
Maoyuan Liu +
Mark Roth +
Matt Wittmann
MaxU +
Maximilian Roos
Michael Droettboom +
Nick Eubank
Nicolas Bonnotte
OXPHOS +
Pauli Virtanen +
Peter Waller +
Pietro Battiston
Prabhjot Singh +
Robin Wilson
Roger Thomas +
Sebastian Bank
Stephen Hoover
Tim Hopper +
Tom Augspurger
WANG Aiyong
Wes Turner
Winand +
Xbar +
Yan Facai +
adneu +
ajenkins-cargometrics +
behzad nouri
chinskiy +
gfyoung
jeps-journal +
jonaslb +
kotrfa +
nileracecrew +
onesandzeroes
rs2 +
sinhrks
tsdlovell +