版本 0.16.0 (2015 年 3 月 22 日)#
这是继 0.15.2 之后的一个重要版本，包含少量 API 更改、一些新特性、增强功能、性能改进以及大量错误修复。我们建议所有用户升级到此版本。
主要亮点包括
DataFrame.assign方法，请参阅此处Series.to_coo/from_coo方法，用于与scipy.sparse交互，请参阅此处对
Timedelta进行了向后不兼容的更改，使其.seconds属性与datetime.timedelta一致，请参阅此处对
.loc切片 API 进行了更改，使其与.ix的行为一致，请参阅此处对
Categorical构造函数中排序的默认值进行了更改，请参阅此处对
.str访问器进行了增强，以使字符串操作更容易，请参阅此处pandas.tools.rplot、pandas.sandbox.qtpandas和pandas.rpy模块已被弃用。对于相似或等效的功能，我们建议用户使用 seaborn、pandas-qt 和 rpy2 等外部包，请参阅此处
新特性#
DataFrame assign#
受 dplyr 的 mutate 动词启发，DataFrame 新增了一个 assign() 方法。assign 的函数签名很简单，就是 **kwargs。键是新字段的列名，值是要插入的值（例如，Series 或 NumPy 数组），或者是对 DataFrame 调用一个参数的函数。新值将被插入，并返回包含所有原始列和新列的整个 DataFrame。
In [1]: iris = pd.read_csv('data/iris.data')
In [2]: iris.head()
Out[2]:
SepalLength SepalWidth PetalLength PetalWidth Name
0 5.1 3.5 1.4 0.2 Iris-setosa
1 4.9 3.0 1.4 0.2 Iris-setosa
2 4.7 3.2 1.3 0.2 Iris-setosa
3 4.6 3.1 1.5 0.2 Iris-setosa
4 5.0 3.6 1.4 0.2 Iris-setosa
[5 rows x 5 columns]
In [3]: iris.assign(sepal_ratio=iris['SepalWidth'] / iris['SepalLength']).head()
Out[3]:
SepalLength SepalWidth PetalLength PetalWidth Name sepal_ratio
0 5.1 3.5 1.4 0.2 Iris-setosa 0.686275
1 4.9 3.0 1.4 0.2 Iris-setosa 0.612245
2 4.7 3.2 1.3 0.2 Iris-setosa 0.680851
3 4.6 3.1 1.5 0.2 Iris-setosa 0.673913
4 5.0 3.6 1.4 0.2 Iris-setosa 0.720000
[5 rows x 6 columns]
上面是插入预计算值的示例。我们也可以传入一个函数进行计算。
In [4]: iris.assign(sepal_ratio=lambda x: (x['SepalWidth']
...: / x['SepalLength'])).head()
...:
Out[4]:
SepalLength SepalWidth PetalLength PetalWidth Name sepal_ratio
0 5.1 3.5 1.4 0.2 Iris-setosa 0.686275
1 4.9 3.0 1.4 0.2 Iris-setosa 0.612245
2 4.7 3.2 1.3 0.2 Iris-setosa 0.680851
3 4.6 3.1 1.5 0.2 Iris-setosa 0.673913
4 5.0 3.6 1.4 0.2 Iris-setosa 0.720000
[5 rows x 6 columns]
assign 的强大之处在于它可以在链式操作中使用。例如，我们可以将 DataFrame 限定为萼片长度大于 5 的行，计算比例，然后绘图
In [5]: iris = pd.read_csv('data/iris.data')
In [6]: (iris.query('SepalLength > 5')
...: .assign(SepalRatio=lambda x: x.SepalWidth / x.SepalLength,
...: PetalRatio=lambda x: x.PetalWidth / x.PetalLength)
...: .plot(kind='scatter', x='SepalRatio', y='PetalRatio'))
...:
Out[6]: <Axes: xlabel='SepalRatio', ylabel='PetalRatio'>
与 scipy.sparse 的交互#
添加了 SparseSeries.to_coo() 和 SparseSeries.from_coo() 方法 (GH 8048)，用于在 scipy.sparse.coo_matrix 实例之间进行转换（请参阅此处）。例如，给定一个带有 MultiIndex 的 SparseSeries，我们可以通过将行标签和列标签指定为索引级别来将其转换为 scipy.sparse.coo_matrix
s = pd.Series([3.0, np.nan, 1.0, 3.0, np.nan, np.nan])
s.index = pd.MultiIndex.from_tuples([(1, 2, 'a', 0),
(1, 2, 'a', 1),
(1, 1, 'b', 0),
(1, 1, 'b', 1),
(2, 1, 'b', 0),
(2, 1, 'b', 1)],
names=['A', 'B', 'C', 'D'])
s
# SparseSeries
ss = s.to_sparse()
ss
A, rows, columns = ss.to_coo(row_levels=['A', 'B'],
column_levels=['C', 'D'],
sort_labels=False)
A
A.todense()
rows
columns
from_coo 方法是一个便捷方法，用于从 scipy.sparse.coo_matrix 创建 SparseSeries
from scipy import sparse
A = sparse.coo_matrix(([3.0, 1.0, 2.0], ([1, 0, 0], [0, 2, 3])),
shape=(3, 4))
A
A.todense()
ss = pd.SparseSeries.from_coo(A)
ss
字符串方法增强#
以下新方法可以通过
.str访问器调用，用于对每个值应用函数。此举旨在使其与标准字符串方法更加一致。(GH 9282, GH 9352, GH 9386, GH 9387, GH 9439)方法
isalnum()isalpha()isdigit()isdigit()isspace()islower()isupper()istitle()isnumeric()isdecimal()find()rfind()ljust()rjust()zfill()In [7]: s = pd.Series(['abcd', '3456', 'EFGH']) In [8]: s.str.isalpha() Out[8]: 0 True 1 False 2 True Length: 3, dtype: bool In [9]: s.str.find('ab') Out[9]: 0 0 1 -1 2 -1 Length: 3, dtype: int64
Series.str.pad()和Series.str.center()现在接受fillchar选项来指定填充字符 (GH 9352)In [10]: s = pd.Series(['12', '300', '25']) In [11]: s.str.pad(5, fillchar='_') Out[11]: 0 ___12 1 __300 2 ___25 Length: 3, dtype: object
添加了
Series.str.slice_replace()，此前会引发NotImplementedError(GH 8888)In [12]: s = pd.Series(['ABCD', 'EFGH', 'IJK']) In [13]: s.str.slice_replace(1, 3, 'X') Out[13]: 0 AXD 1 EXH 2 IX Length: 3, dtype: object # replaced with empty char In [14]: s.str.slice_replace(0, 1) Out[14]: 0 BCD 1 FGH 2 JK Length: 3, dtype: object
其他增强#
Reindex 现在支持对具有单调递增或递减索引的 DataFrame 或 Series 使用
method='nearest'(GH 9258)In [15]: df = pd.DataFrame({'x': range(5)}) In [16]: df.reindex([0.2, 1.8, 3.5], method='nearest') Out[16]: x 0.2 0 1.8 2 3.5 4 [3 rows x 1 columns]
此方法也可通过较低级别的
Index.get_indexer和Index.get_loc方法使用。read_excel()函数的 sheetname 参数现在接受列表和None，分别用于获取多个或所有工作表。如果指定了多个工作表，则返回一个字典。(GH 9450)# Returns the 1st and 4th sheet, as a dictionary of DataFrames. pd.read_excel('path_to_file.xls', sheetname=['Sheet1', 3])
以 ~ 开头的路径现在将被扩展为以用户主目录开头 (GH 9066)
在
get_data_yahoo中添加了时间间隔选择功能 (GH 9071)添加了
Timestamp.to_datetime64()以补充Timedelta.to_timedelta64()(GH 9255)tseries.frequencies.to_offset()现在接受Timedelta作为输入 (GH 9064)在
Series的自相关方法中添加了 lag 参数，默认为 lag-1 自相关 (GH 9192)Timedelta现在将在构造函数中接受nanoseconds关键字参数 (GH 9273)SQL 代码现在能安全地转义表名和列名 (GH 8986)
添加了
Series.str.<tab>、Series.dt.<tab>和Series.cat.<tab>的自动完成功能 (GH 9322)Index.get_indexer现在即使对于任何目标数组（不仅仅是单调目标），也支持method='pad'和method='backfill'。这些方法也适用于单调递减和单调递增索引 (GH 9258)。Index.asof现在适用于所有索引类型 (GH 9258)。io.read_excel()中新增了一个verbose参数，默认为 False。设置为 True 会在解析工作表时打印工作表名称。(GH 9450)添加了
days_in_month(兼容性别名daysinmonth) 属性到Timestamp、DatetimeIndex、Period、PeriodIndex和Series.dt中 (GH 9572)在
to_csv中添加了decimal选项，为非 '.' 的小数点分隔符提供格式化功能 (GH 781)为
Timestamp添加了normalize选项，用于归一化到午夜 (GH 8794)添加了使用 HDF5 文件和
rhdf5库将DataFrame导入 R 的示例。更多信息请参阅文档 (GH 9636)。
向后不兼容的 API 更改#
Timedelta 的更改#
在 v0.15.0 版本中，引入了一个新的标量类型 Timedelta，它是 datetime.timedelta 的子类。在此处提及的是关于 .seconds 访问器的 API 更改通知。其目的是提供一组用户友好的访问器，返回该单位的“自然”值，例如，如果您有一个 Timedelta('1 day, 10:11:12')，则 .seconds 将返回 12。然而，这与 datetime.timedelta 的定义不符，后者将 .seconds 定义为 10 * 3600 + 11 * 60 + 12 == 36672。
因此在 v0.16.0 版本中，我们将 API 恢复为与 datetime.timedelta 匹配。此外，组件值仍然可以通过 .components 访问器获取。这会影响 .seconds 和 .microseconds 访问器，并移除了 .hours、.minutes、.milliseconds 访问器。这些更改也影响 TimedeltaIndex 和 Series 的 .dt 访问器。(GH 9185, GH 9139)
旧行为
In [2]: t = pd.Timedelta('1 day, 10:11:12.100123')
In [3]: t.days
Out[3]: 1
In [4]: t.seconds
Out[4]: 12
In [5]: t.microseconds
Out[5]: 123
新行为
In [17]: t = pd.Timedelta('1 day, 10:11:12.100123')
In [18]: t.days
Out[18]: 1
In [19]: t.seconds
Out[19]: 36672
In [20]: t.microseconds
Out[20]: 100123
使用 .components 可以获取完整的组件访问
In [21]: t.components
Out[21]: Components(days=1, hours=10, minutes=11, seconds=12, milliseconds=100, microseconds=123, nanoseconds=0)
In [22]: t.components.seconds
Out[22]: 12
索引更改#
使用 .loc 的一小部分边缘情况的行为已发生变化 (GH 8613)。此外，我们还改进了引发的错误消息的内容
现在允许使用
.loc进行切片时，起始和/或停止边界在索引中找不到；之前会引发KeyError。这使得在这种情况下行为与.ix相同。此更改仅适用于切片，不适用于使用单个标签进行索引。In [23]: df = pd.DataFrame(np.random.randn(5, 4), ....: columns=list('ABCD'), ....: index=pd.date_range('20130101', periods=5)) ....: In [24]: df Out[24]: A B C D 2013-01-01 0.469112 -0.282863 -1.509059 -1.135632 2013-01-02 1.212112 -0.173215 0.119209 -1.044236 2013-01-03 -0.861849 -2.104569 -0.494929 1.071804 2013-01-04 0.721555 -0.706771 -1.039575 0.271860 2013-01-05 -0.424972 0.567020 0.276232 -1.087401 [5 rows x 4 columns] In [25]: s = pd.Series(range(5), [-2, -1, 1, 2, 3]) In [26]: s Out[26]: -2 0 -1 1 1 2 2 3 3 4 Length: 5, dtype: int64
旧行为
In [4]: df.loc['2013-01-02':'2013-01-10'] KeyError: 'stop bound [2013-01-10] is not in the [index]' In [6]: s.loc[-10:3] KeyError: 'start bound [-10] is not the [index]'
新行为
In [27]: df.loc['2013-01-02':'2013-01-10'] Out[27]: A B C D 2013-01-02 1.212112 -0.173215 0.119209 -1.044236 2013-01-03 -0.861849 -2.104569 -0.494929 1.071804 2013-01-04 0.721555 -0.706771 -1.039575 0.271860 2013-01-05 -0.424972 0.567020 0.276232 -1.087401 [4 rows x 4 columns] In [28]: s.loc[-10:3] Out[28]: -2 0 -1 1 1 2 2 3 3 4 Length: 5, dtype: int64
允许在整数索引上使用浮点数类似的值对
.ix进行切片。之前此功能仅对.loc启用旧行为
In [8]: s.ix[-1.0:2] TypeError: the slice start value [-1.0] is not a proper indexer for this index type (Int64Index)
新行为
In [2]: s.ix[-1.0:2] Out[2]: -1 1 1 2 2 3 dtype: int64
使用
.loc时，如果索引类型无效，则提供有用的异常信息。例如，尝试对类型为DatetimeIndex、PeriodIndex或TimedeltaIndex的索引使用.loc，并使用整数（或浮点数）进行索引。旧行为
In [4]: df.loc[2:3] KeyError: 'start bound [2] is not the [index]'
新行为
In [4]: df.loc[2:3] TypeError: Cannot do slice indexing on <class 'pandas.tseries.index.DatetimeIndex'> with <type 'int'> keys
分类类型更改#
在先前版本中，未指定排序（即未传递 ordered 关键字）的 Categoricals 默认被视为有序 Categoricals。今后，Categorical 构造函数中的 ordered 关键字将默认为 False。现在必须显式指定排序。
此外，之前您*可以*通过直接设置属性来更改 Categorical 的 ordered 属性，例如 cat.ordered=True；此方法现已弃用，您应该使用 cat.as_ordered() 或 cat.as_unordered()。这些方法默认将返回一个新对象，而不是修改现有对象。(GH 9347, GH 9190)
旧行为
In [3]: s = pd.Series([0, 1, 2], dtype='category')
In [4]: s
Out[4]:
0 0
1 1
2 2
dtype: category
Categories (3, int64): [0 < 1 < 2]
In [5]: s.cat.ordered
Out[5]: True
In [6]: s.cat.ordered = False
In [7]: s
Out[7]:
0 0
1 1
2 2
dtype: category
Categories (3, int64): [0, 1, 2]
新行为
In [29]: s = pd.Series([0, 1, 2], dtype='category')
In [30]: s
Out[30]:
0 0
1 1
2 2
Length: 3, dtype: category
Categories (3, int64): [0, 1, 2]
In [31]: s.cat.ordered
Out[31]: False
In [32]: s = s.cat.as_ordered()
In [33]: s
Out[33]:
0 0
1 1
2 2
Length: 3, dtype: category
Categories (3, int64): [0 < 1 < 2]
In [34]: s.cat.ordered
Out[34]: True
# you can set in the constructor of the Categorical
In [35]: s = pd.Series(pd.Categorical([0, 1, 2], ordered=True))
In [36]: s
Out[36]:
0 0
1 1
2 2
Length: 3, dtype: category
Categories (3, int64): [0 < 1 < 2]
In [37]: s.cat.ordered
Out[37]: True
为了方便创建分类数据 Series，我们添加了在调用 .astype() 时传递关键字参数的功能。这些参数会直接传递给构造函数。
In [54]: s = pd.Series(["a", "b", "c", "a"]).astype('category', ordered=True)
In [55]: s
Out[55]:
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): [a < b < c]
In [56]: s = (pd.Series(["a", "b", "c", "a"])
....: .astype('category', categories=list('abcdef'), ordered=False))
In [57]: s
Out[57]:
0 a
1 b
2 c
3 a
dtype: category
Categories (6, object): [a, b, c, d, e, f]
其他 API 更改#
Index.duplicated现在返回np.array(dtype=bool)，而不是包含bool值的Index(dtype=object)。(GH 8875)DataFrame.to_json现在为混合数据类型 DataFrame 的每列返回准确的类型序列化 (GH 9037)以前数据在序列化之前被强制转换为通用数据类型，例如导致整数被序列化为浮点数
In [2]: pd.DataFrame({'i': [1,2], 'f': [3.0, 4.2]}).to_json() Out[2]: '{"f":{"0":3.0,"1":4.2},"i":{"0":1.0,"1":2.0}}'
现在每列都使用其正确的数据类型进行序列化
In [2]: pd.DataFrame({'i': [1,2], 'f': [3.0, 4.2]}).to_json() Out[2]: '{"f":{"0":3.0,"1":4.2},"i":{"0":1,"1":2}}'
DatetimeIndex、PeriodIndex和TimedeltaIndex.summary现在输出相同的格式。(GH 9116)TimedeltaIndex.freqstr现在输出与DatetimeIndex相同的字符串格式。(GH 9116)条形图和水平条形图不再沿信息轴添加虚线。先前的样式可以通过 matplotlib 的
axhline或axvline方法实现 (GH 9088)。如果 Series 不包含适当类型的数据，则
Series访问器.dt、.cat和.str现在会引发AttributeError而不是TypeError(GH 9617)。这更紧密地遵循了 Python 的内置异常层次结构，并确保了诸如hasattr(s, 'cat')这样的测试在 Python 2 和 3 上保持一致。Series现在支持对整型类型进行位操作 (GH 9016)。以前即使输入数据类型是整型，输出数据类型也会被强制转换为bool。旧行为
In [2]: pd.Series([0, 1, 2, 3], list('abcd')) | pd.Series([4, 4, 4, 4], list('abcd')) Out[2]: a True b True c True d True dtype: bool
新行为。如果输入数据类型是整型，输出数据类型也是整型，并且输出值是位操作的结果。
In [2]: pd.Series([0, 1, 2, 3], list('abcd')) | pd.Series([4, 4, 4, 4], list('abcd')) Out[2]: a 4 b 5 c 6 d 7 dtype: int64
在涉及
Series或DataFrame的除法运算中，0/0和0//0现在返回np.nan而不是np.inf。(GH 9144, GH 8445)旧行为
In [2]: p = pd.Series([0, 1]) In [3]: p / 0 Out[3]: 0 inf 1 inf dtype: float64 In [4]: p // 0 Out[4]: 0 inf 1 inf dtype: float64
新行为
In [38]: p = pd.Series([0, 1]) In [39]: p / 0 Out[39]: 0 NaN 1 inf Length: 2, dtype: float64 In [40]: p // 0 Out[40]: 0 NaN 1 inf Length: 2, dtype: float64
分类数据的
Series.values_counts和Series.describe现在将NaN条目放在末尾。(GH 9443)分类数据的
Series.describe现在将未使用的类别的计数和频率显示为 0，而不是NaN(GH 9443)由于错误修复，使用
DatetimeIndex.asof查找部分字符串标签现在会包含与字符串匹配的值，即使它们在部分字符串标签的开头之后 (GH 9258)。旧行为
In [4]: pd.to_datetime(['2000-01-31', '2000-02-28']).asof('2000-02') Out[4]: Timestamp('2000-01-31 00:00:00')
修复后的行为
In [41]: pd.to_datetime(['2000-01-31', '2000-02-28']).asof('2000-02') Out[41]: Timestamp('2000-02-28 00:00:00')
要重现旧行为，只需为标签添加更多精度（例如，使用
2000-02-01而不是2000-02）。
弃用#
rplot的 Trellis 绘图接口已被弃用，并将在未来版本中移除。对于相似但更精细的功能，我们建议使用 seaborn 等外部包 (GH 3445)。文档中包含一些示例，说明如何将现有代码从rplot转换为 seaborn，请参阅此处。pandas.sandbox.qtpandas接口已被弃用，并将在未来版本中移除。我们建议用户使用外部包 pandas-qt。(GH 9615)将
DatetimeIndex/PeriodIndex添加到另一个DatetimeIndex/PeriodIndex作为集合操作已被弃用。这将在未来版本中更改为引发TypeError。应使用.union()进行并集集合操作。(GH 9094)将
DatetimeIndex/PeriodIndex从另一个DatetimeIndex/PeriodIndex中减去作为集合操作已被弃用。这将在未来版本中更改为实际的数值减法，产生一个TimeDeltaIndex。应使用.difference()进行差集集合操作。(GH 9094)
移除先前版本弃用/更改#
性能改进#
修复了使用数组或列表类对象进行
.loc索引时的性能回归 (GH 9126)。DataFrame.to_json对于混合数据类型 DataFrame 的性能提高了 30 倍。(GH 9037)性能提升：
MultiIndex.duplicated通过使用标签而非值来工作 (GH 9125)提高了
nunique的速度，通过调用unique而非value_counts(GH 9129, GH 7771)性能提升：
DataFrame.count和DataFrame.dropna的性能提升高达10倍，通过适当利用同质/异质数据类型 (GH 9136)性能提升：当使用
MultiIndex和level关键字参数时，DataFrame.count的性能提升高达20倍 (GH 9163)性能和内存使用提升：当键空间超出
int64范围时，merge的性能和内存使用提升 (GH 9151)性能提升：多键
groupby的性能提升 (GH 9429)性能提升：
MultiIndex.sortlevel的性能提升 (GH 9445)性能和内存使用提升：
DataFrame.duplicated的性能和内存使用提升 (GH 9398)Cython化
Period(GH 9440)降低了
to_hdf的内存使用 (GH 9648)
Bug 修复#
更改了
.to_html以移除表格正文中的前后空格 (GH 4987)修复了在 Python 3 中使用
read_csv访问 S3 时的问 (GH 9452)修复了
DatetimeIndex中的兼容性问题，该问题影响了numpy.int_默认设置为numpy.int32的架构 (GH 8943)Bug 修复：Panel 索引中与类对象相关的问题 (GH 9140)
Bug 修复：返回的
Series.dt.components索引被重置为默认索引的问题 (GH 9247)Bug 修复：
Categorical.__getitem__/__setitem__中使用类列表输入时，索引器强制转换导致结果不正确的问题 (GH 9469)Bug 修复：使用 DatetimeIndex 进行部分设置的问题 (GH 9478)
Bug 修复：在分组操作中，对整数和 datetime64 列应用聚合器时，当数值足够大时导致值发生改变的问题 (GH 9311, GH 6620)
修复了将
Timestamp对象列（带有时区信息的 datetime 列）映射到相应的 sqlalchemy 类型时to_sql中的错误 (GH 9085)。修复了
to_sql的dtype参数不接受实例化 SQLAlchemy 类型的问题 (GH 9083)。Bug 修复：使用
np.datetime64进行.loc部分设置的问题 (GH 9516)对看起来像 datetimelike 的
Series和.xs切片推断的数据类型不正确 (GH 9477)Categorical.unique()中的项（如果s的 dtype 是category，则s.unique()中的项）现在按照其原始找到的顺序出现，而非按排序顺序 (GH 9331)。这现在与 pandas 中其他数据类型的行为一致。修复了在大端序平台上
StataReader产生错误结果的 bug (GH 8688)。Bug 修复：
MultiIndex.has_duplicates中层级过多导致索引器溢出的问题 (GH 9075, GH 5873)Bug 修复：
pivot和unstack中，nan值破坏索引对齐的问题 (GH 4862, GH 7401, GH 7403, GH 7405, GH 7466, GH 9497)Bug 修复：对带有
sort=True或空值的 MultiIndex 进行左连接的问题 (GH 9210)。Bug 修复：
MultiIndex中插入新键失败的问题 (GH 9250)。Bug 修复：分组操作中，当键空间超出
int64范围时的问题 (GH 9096)。Bug 修复：对带有
TimedeltaIndex或DatetimeIndex及空值的unstack操作的问题 (GH 9491)。Bug 修复：
rank中，带容差比较浮点数会导致不一致行为的问题 (GH 8365)。修复了从 URL 加载数据时
read_stata和StataReader中的字符编码 bug (GH 9231)。Bug 修复：将
offsets.Nano添加到其他 offset 会引发TypeError的问题 (GH 9284)Bug 修复：
DatetimeIndex迭代中的 bug，与 (GH 8890) 相关，在 (GH 9100) 中修复Bug 修复：
resample在夏令时转换附近的 bug。这需要修复 offset 类以使其在夏令时转换时行为正确。 (GH 5172, GH 8744, GH 8653, GH 9173, GH 9468)。Bug 修复：二元运算符方法（例如
.mul()）与整数级别对齐的问题 (GH 9463)。Bug 修复：箱线图、散点图和六边形图可能显示不必要的警告 (GH 8877)
Bug 修复：使用
layout关键字的子图可能显示不必要的警告 (GH 9464)Bug 修复：使用需要传递参数（例如 axis）的分组器函数时，使用包装函数（例如
fillna）的问题 (GH 9221)DataFrame现在正确支持在构造函数中同时使用copy和dtype参数 (GH 9099)Bug 修复：使用 C 引擎在具有 CR 行结束符的文件上使用 skiprows 读取
read_csv文件的问题。 (GH 9079)isnull现在可以检测PeriodIndex中的NaT(GH 9129)Bug 修复：多列分组时 groupby
.nth()中的 bug (GH 8979)Bug 修复：
DataFrame.where和Series.where将数值强制转换为字符串时出错 (GH 9280)Bug 修复：
DataFrame.where和Series.where在传递类字符串列表时引发ValueError的问题。 (GH 9280)对非字符串值访问
Series.str方法现在会引发TypeError，而不是产生错误结果 (GH 9184)Bug 修复：
DatetimeIndex.__contains__在索引包含重复值且不是单调递增时的问题 (GH 9512)修复了当所有值都相等时
Series.kurt()的除零错误 (GH 9197)修复了
xlsxwriter引擎中的问题，该问题在未应用其他格式时向单元格添加默认的“常规”格式。这阻止了其他行或列格式的应用。 (GH 9167)修复了在
read_csv中同时指定index_col=False和usecols时的 (GH 9082)Bug 修复：
wide_to_long会修改输入的 stub 名称列表的问题 (GH 9204)Bug 修复：
to_sql未使用双精度存储 float64 值的问题。 (GH 9009)SparseSeries和SparsePanel现在接受零参数构造函数（与其非稀疏对应项相同） (GH 9272)。合并
Categorical和object数据类型时的回归问题 (GH 9426)Bug 修复：
read_csv在处理某些格式错误输入文件时发生缓冲区溢出的问题 (GH 9205)修复了
Series.groupby中，按 MultiIndex 级别分组时会忽略 sort 参数的 bug (GH 9444)修复了
DataFrame.Groupby中，在 Categorical 列的情况下sort=False被忽略的 bug。 (GH 8868)修复了在 Python 3 中从 Amazon S3 读取 CSV 文件时引发 TypeError 的 bug (GH 9452)
Bug 修复：Google BigQuery 读取器中，查询结果可能包含 ‘jobComplete’ 键但其值为 False 的问题 (GH 8728)
Bug 修复：
Series.values_counts中，对于dropna=True的分类类型Series，排除NaN值的问题 (GH 9443)修复了
DataFrame.std/var/sem缺少 numeric_only 选项的问题 (GH 9201)支持使用标量数据构造
Panel或Panel4D(GH 8285)Series文本表示与max_rows/max_columns断开 (GH 7508)。
Series截断时数字格式不一致 (GH 8532)。旧行为
In [2]: pd.options.display.max_rows = 10 In [3]: s = pd.Series([1,1,1,1,1,1,1,1,1,1,0.9999,1,1]*10) In [4]: s Out[4]: 0 1 1 1 2 1 ... 127 0.9999 128 1.0000 129 1.0000 Length: 130, dtype: float64
新行为
0 1.0000 1 1.0000 2 1.0000 3 1.0000 4 1.0000 ... 125 1.0000 126 1.0000 127 0.9999 128 1.0000 129 1.0000 dtype: float64
在某些情况下，在帧中设置新项时会生成一个虚假的
SettingWithCopy警告 (GH 8730)以下操作之前会报告一个
SettingWithCopy警告。In [42]: df1 = pd.DataFrame({'x': pd.Series(['a', 'b', 'c']), ....: 'y': pd.Series(['d', 'e', 'f'])}) ....: In [43]: df2 = df1[['x']] In [44]: df2['y'] = ['g', 'h', 'i']
贡献者#
本次发布共有 60 位贡献者提交了补丁。名字旁带有“+”的人员是首次贡献补丁。
Aaron Toth +
Alan Du +
Alessandro Amici +
Artemy Kolchinsky
Ashwini Chaudhary +
Ben Schiller
Bill Letson
Brandon Bradley +
Chau Hoang +
Chris Reynolds
Chris Whelan +
Christer van der Meeren +
David Cottrell +
David Stephens
Ehsan Azarnasab +
Garrett-R +
Guillaume Gay
Jake Torcasso +
Jason Sexauer
Jeff Reback
John McNamara
Joris Van den Bossche
Joschka zur Jacobsmühlen +
Juarez Bochi +
Junya Hayashi +
K.-Michael Aye
Kerby Shedden +
Kevin Sheppard
Kieran O’Mahony
Kodi Arfer +
Matti Airas +
Min RK +
Mortada Mehyar
Robert +
Scott E Lasley
Scott Lasley +
Sergio Pascual +
Skipper Seabold
Stephan Hoyer
Thomas Grainger
Tom Augspurger
TomAugspurger
Vladimir Filimonov +
Vyomkesh Tripathi +
Will Holmgren
Yulong Yang +
behzad nouri
bertrandhaut +
bjonen
cel4 +
clham
hsperr +
ischwabacher
jnmclarty
josham +
jreback
omtinez +
roch +
sinhrks
unutbu