版本 0.16.1（2015 年 5 月 11 日）

这是 0.16.0 版本的一个小型错误修复版本，包含了大量的错误修复以及一些新功能、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

• 支持 CategoricalIndex，一种基于分类的索引，详情请参阅此处

• 关于如何贡献 pandas 的新章节，详情请参阅此处

• 修订了“合并、连接和串联”文档，包括图形示例，以便更容易理解每个操作，详情请参阅此处

• 新增 sample 方法，用于从 Series、DataFrame 和 Panel 中抽取随机样本。详情请参阅此处

• 默认的 Index 打印格式已更改为更统一的格式，详情请参阅此处

• 现已支持 BusinessHour 日期时间偏移，详情请参阅此处

• 进一步增强 .str 访问器，使字符串操作更简便，详情请参阅此处

警告

在 pandas 0.17.0 中，子包 pandas.io.data 将被移除，转而使用一个可单独安装的包 (GH 8961)。

增强功能

CategoricalIndex

我们引入了 CategoricalIndex，这是一种新的索引对象类型，对于支持重复元素的索引非常有用。它是一个围绕 Categorical（在 v0.15.0 中引入）的容器，允许高效地索引和存储包含大量重复元素的索引。在 0.16.1 之前，使用 category dtype 设置 DataFrame/Series 的索引会将其转换为常规的基于对象的 Index。

In [1]: df = pd.DataFrame({'A': np.arange(6),
   ...:                    'B': pd.Series(list('aabbca'))
   ...:                           .astype('category', categories=list('cab'))
   ...:                    })
   ...:

In [2]: df
Out[2]:
   A  B
0  0  a
1  1  a
2  2  b
3  3  b
4  4  c
5  5  a

In [3]: df.dtypes
Out[3]:
A       int64
B    category
dtype: object

In [4]: df.B.cat.categories
Out[4]: Index(['c', 'a', 'b'], dtype='object')

设置索引将创建一个 CategoricalIndex

In [5]: df2 = df.set_index('B')

In [6]: df2.index
Out[6]: CategoricalIndex(['a', 'a', 'b', 'b', 'c', 'a'], categories=['c', 'a', 'b'], ordered=False, name='B', dtype='category')

使用 __getitem__/.iloc/.loc/.ix 进行索引的工作方式类似于带有重复元素的 Index。索引器必须在分类中，否则操作将引发错误。

In [7]: df2.loc['a']
Out[7]:
   A
B
a  0
a  1
a  5

并保留 CategoricalIndex

In [8]: df2.loc['a'].index
Out[8]: CategoricalIndex(['a', 'a', 'a'], categories=['c', 'a', 'b'], ordered=False, name='B', dtype='category')

排序将按照分类的顺序进行

In [9]: df2.sort_index()
Out[9]:
   A
B
c  4
a  0
a  1
a  5
b  2
b  3

对索引进行 groupby 操作也将保留索引的特性

In [10]: df2.groupby(level=0).sum()
Out[10]:
   A
B
c  4
a  6
b  5

In [11]: df2.groupby(level=0).sum().index
Out[11]: CategoricalIndex(['c', 'a', 'b'], categories=['c', 'a', 'b'], ordered=False, name='B', dtype='category')

重新索引操作将根据传入的索引器类型返回结果索引，这意味着传入一个列表将返回一个普通的 Index；使用 Categorical 进行索引将返回一个 CategoricalIndex，根据传入的 Categorical dtype 的分类进行索引。这允许即使使用不在分类中的值也可以任意索引它们，类似于您可以重新索引任何 pandas 索引的方式。

In [12]: df2.reindex(['a', 'e'])
Out[12]:
     A
B
a  0.0
a  1.0
a  5.0
e  NaN

In [13]: df2.reindex(['a', 'e']).index
Out[13]: pd.Index(['a', 'a', 'a', 'e'], dtype='object', name='B')

In [14]: df2.reindex(pd.Categorical(['a', 'e'], categories=list('abcde')))
Out[14]:
     A
B
a  0.0
a  1.0
a  5.0
e  NaN

In [15]: df2.reindex(pd.Categorical(['a', 'e'], categories=list('abcde'))).index
Out[15]: pd.CategoricalIndex(['a', 'a', 'a', 'e'],
                             categories=['a', 'b', 'c', 'd', 'e'],
                             ordered=False, name='B',
                             dtype='category')

更多详情请参阅文档。(GH 7629, GH 10038, GH 10039)

Sample

Series、DataFrame 和 Panel 现在有一个新方法：sample()。该方法接受返回指定的行数或列数，或总行数或列数的一部分。它还具有带或不带替换采样的选项，可以传入一列作为非均匀采样的权重，并可以设置种子值以方便重现。(GH 2419)

In [1]: example_series = pd.Series([0, 1, 2, 3, 4, 5])

# When no arguments are passed, returns 1
In [2]: example_series.sample()
Out[2]: 
3    3
Length: 1, dtype: int64

# One may specify either a number of rows:
In [3]: example_series.sample(n=3)
Out[3]: 
2    2
1    1
0    0
Length: 3, dtype: int64

# Or a fraction of the rows:
In [4]: example_series.sample(frac=0.5)
Out[4]: 
1    1
5    5
3    3
Length: 3, dtype: int64

# weights are accepted.
In [5]: example_weights = [0, 0, 0.2, 0.2, 0.2, 0.4]

In [6]: example_series.sample(n=3, weights=example_weights)
Out[6]: 
2    2
4    4
3    3
Length: 3, dtype: int64

# weights will also be normalized if they do not sum to one,
# and missing values will be treated as zeros.
In [7]: example_weights2 = [0.5, 0, 0, 0, None, np.nan]

In [8]: example_series.sample(n=1, weights=example_weights2)
Out[8]: 
0    0
Length: 1, dtype: int64

当应用于 DataFrame 时，可以传入列名来指定从行中抽样时的权重。

In [9]: df = pd.DataFrame({"col1": [9, 8, 7, 6], "weight_column": [0.5, 0.4, 0.1, 0]})

In [10]: df.sample(n=3, weights="weight_column")
Out[10]: 
   col1  weight_column
0     9            0.5
1     8            0.4
2     7            0.1

[3 rows x 2 columns]

字符串方法增强

继续 v0.16.0 的工作，以下增强功能使字符串操作更简便，并与标准 Python 字符串操作更一致。

• 为 Index 添加了 StringMethods（.str 访问器）(GH 9068)

  .str 访问器现已可用于 Series 和 Index。

  In [11]: idx = pd.Index([" jack", "jill ", " jesse ", "frank"])
  
  In [12]: idx.str.strip()
  Out[12]: Index(['jack', 'jill', 'jesse', 'frank'], dtype='object')
  

  关于 Index 上的 .str 访问器的一个特殊情况是，如果字符串方法返回 bool，.str 访问器将返回一个 np.array，而不是布尔型的 Index (GH 8875)。这使得以下表达式能够自然地工作

  In [13]: idx = pd.Index(["a1", "a2", "b1", "b2"])
  
  In [14]: s = pd.Series(range(4), index=idx)
  
  In [15]: s
  Out[15]: 
  a1    0
  a2    1
  b1    2
  b2    3
  Length: 4, dtype: int64
  
  In [16]: idx.str.startswith("a")
  Out[16]: array([ True,  True, False, False])
  
  In [17]: s[s.index.str.startswith("a")]
  Out[17]: 
  a1    0
  a2    1
  Length: 2, dtype: int64
  

• 以下新方法可通过 .str 访问器访问，以将函数应用于每个值。(GH 9766, GH 9773, GH 10031, GH 10045, GH 10052)

  		方法
  capitalize()	swapcase()	normalize()	partition()	rpartition()
  index()	rindex()	translate()

• split 现在接受 expand 关键字参数，用于指定是否扩展维度。return_type 已弃用。(GH 9847)

  In [18]: s = pd.Series(["a,b", "a,c", "b,c"])
  
  # return Series
  In [19]: s.str.split(",")
  Out[19]: 
  0    [a, b]
  1    [a, c]
  2    [b, c]
  Length: 3, dtype: object
  
  # return DataFrame
  In [20]: s.str.split(",", expand=True)
  Out[20]: 
     0  1
  0  a  b
  1  a  c
  2  b  c
  
  [3 rows x 2 columns]
  
  In [21]: idx = pd.Index(["a,b", "a,c", "b,c"])
  
  # return Index
  In [22]: idx.str.split(",")
  Out[22]: Index([['a', 'b'], ['a', 'c'], ['b', 'c']], dtype='object')
  
  # return MultiIndex
  In [23]: idx.str.split(",", expand=True)
  Out[23]: 
  MultiIndex([('a', 'b'),
              ('a', 'c'),
              ('b', 'c')],
             )
  

• 改进了 Index.str 的 extract 和 get_dummies 方法 (GH 9980)

其他增强功能

• 现已支持 BusinessHour 偏移，默认表示 BusinessDay 上从 09:00 到 17:00 的工作时间。详情请参阅此处。(GH 7905)

  In [24]: pd.Timestamp("2014-08-01 09:00") + pd.tseries.offsets.BusinessHour()
  Out[24]: Timestamp('2014-08-01 10:00:00')
  
  In [25]: pd.Timestamp("2014-08-01 07:00") + pd.tseries.offsets.BusinessHour()
  Out[25]: Timestamp('2014-08-01 10:00:00')
  
  In [26]: pd.Timestamp("2014-08-01 16:30") + pd.tseries.offsets.BusinessHour()
  Out[26]: Timestamp('2014-08-04 09:30:00')
  

• DataFrame.diff 现在接受一个 axis 参数，用于确定差分的方向 (GH 9727)

• 允许 clip、clip_lower 和 clip_upper 接受类似数组的参数作为阈值（这是从 0.11.0 的回归）。这些方法现在有一个 axis 参数，用于确定 Series 或 DataFrame 如何与阈值对齐。(GH 6966)

• DataFrame.mask() 和 Series.mask() 现在支持与 where 相同的关键字参数 (GH 8801)

• drop 函数现在可以接受 errors 关键字参数，以在目标数据中不存在任何标签时抑制引发的 ValueError。(GH 6736)

  In [27]: df = pd.DataFrame(np.random.randn(3, 3), columns=["A", "B", "C"])
  
  In [28]: df.drop(["A", "X"], axis=1, errors="ignore")
  Out[28]: 
            B         C
  0 -0.706771 -1.039575
  1 -0.424972  0.567020
  2 -1.087401 -0.673690
  
  [3 rows x 2 columns]
  

• 增加了对使用破折号分隔年份和季度的支持，例如 2014-Q1。(GH 9688)

• 允许使用 astype(str) 将 dtype 为 datetime64 或 timedelta64 的值转换为字符串 (GH 9757)

• get_dummies 函数现在接受 sparse 关键字参数。如果设置为 True，返回的 DataFrame 是稀疏的，例如 SparseDataFrame。(GH 8823)

• Period 现在接受 datetime64 作为输入值。(GH 9054)

• 允许在时间定义缺少前导零时进行 timedelta 字符串转换，例如 0:00:00 对比 00:00:00。(GH 9570)

• 允许 Panel.shift 使用 axis='items' 参数 (GH 9890)

• 尝试写入 Excel 文件时，如果 DataFrame 具有 MultiIndex，现在会引发 NotImplementedError，而不是写入一个损坏的 Excel 文件。(GH 9794)

• 允许 Categorical.add_categories 接受 Series 或 np.array。(GH 9927)

• 从 __dir__ 动态添加/删除 str/dt/cat 访问器。(GH 9910)

• 添加 normalize 作为 dt 访问器方法。(GH 10047)

• DataFrame 和 Series 现在具有 _constructor_expanddim 属性，作为更高维度数据的可覆盖构造函数。仅在真正需要时才应使用此属性，详情请参阅此处

• pd.lib.infer_dtype 在 Python 3 中现在会适当地返回 'bytes'。(GH 10032)

API 变更

• 将 ax 传入 df.plot( ..., ax=ax) 时，sharex kwarg 现在将默认设置为 False。结果是 xlabel 和 xticklabels 的可见性将不再改变。您必须自己为图中的右轴进行此操作，或显式设置 sharex=True（但这会更改图中所有轴的可见性，而不仅仅是传入的那个轴！）。如果 pandas 自己创建子图（例如，没有传入 ax kwarg），则默认仍为 sharex=True 并应用可见性更改。

• assign() 现在按字母顺序插入新列。以前的顺序是任意的。(GH 9777)

• 默认情况下，read_csv 和 read_table 现在将尝试根据文件扩展名推断压缩类型。设置 compression=None 可恢复之前的行为（不解压）。(GH 9770)

已弃用

• Series.str.split 的 return_type 关键字参数已被移除，取而代之的是 expand (GH 9847)

索引表示

Index 及其子类的字符串表示现在已统一。如果值很少，将显示单行；如果值很多（但少于 display.max_seq_items），将显示换行的多行；如果项很多（> display.max_seq_items），将显示截断的表示（数据的头部和尾部）。MultiIndex 的格式保持不变（多行换行显示）。显示宽度响应选项 display.max_seq_items，默认值为 100。(GH 6482)

之前的行为

In [2]: pd.Index(range(4), name='foo')
Out[2]: Int64Index([0, 1, 2, 3], dtype='int64')

In [3]: pd.Index(range(104), name='foo')
Out[3]: Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, ...], dtype='int64')

In [4]: pd.date_range('20130101', periods=4, name='foo', tz='US/Eastern')
Out[4]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2013-01-01 00:00:00-05:00, ..., 2013-01-04 00:00:00-05:00]
Length: 4, Freq: D, Timezone: US/Eastern

In [5]: pd.date_range('20130101', periods=104, name='foo', tz='US/Eastern')
Out[5]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2013-01-01 00:00:00-05:00, ..., 2013-04-14 00:00:00-04:00]
Length: 104, Freq: D, Timezone: US/Eastern

新的行为

In [29]: pd.set_option("display.width", 80)

In [30]: pd.Index(range(4), name="foo")
Out[30]: RangeIndex(start=0, stop=4, step=1, name='foo')

In [31]: pd.Index(range(30), name="foo")
Out[31]: RangeIndex(start=0, stop=30, step=1, name='foo')

In [32]: pd.Index(range(104), name="foo")
Out[32]: RangeIndex(start=0, stop=104, step=1, name='foo')

In [33]: pd.CategoricalIndex(["a", "bb", "ccc", "dddd"], ordered=True, name="foobar")
Out[33]: CategoricalIndex(['a', 'bb', 'ccc', 'dddd'], categories=['a', 'bb', 'ccc', 'dddd'], ordered=True, dtype='category', name='foobar')

In [34]: pd.CategoricalIndex(["a", "bb", "ccc", "dddd"] * 10, ordered=True, name="foobar")
Out[34]: 
CategoricalIndex(['a', 'bb', 'ccc', 'dddd', 'a', 'bb', 'ccc', 'dddd', 'a',
                  'bb', 'ccc', 'dddd', 'a', 'bb', 'ccc', 'dddd', 'a', 'bb',
                  'ccc', 'dddd', 'a', 'bb', 'ccc', 'dddd', 'a', 'bb', 'ccc',
                  'dddd', 'a', 'bb', 'ccc', 'dddd', 'a', 'bb', 'ccc', 'dddd',
                  'a', 'bb', 'ccc', 'dddd'],
                 categories=['a', 'bb', 'ccc', 'dddd'], ordered=True, dtype='category', name='foobar')

In [35]: pd.CategoricalIndex(["a", "bb", "ccc", "dddd"] * 100, ordered=True, name="foobar")
Out[35]: 
CategoricalIndex(['a', 'bb', 'ccc', 'dddd', 'a', 'bb', 'ccc', 'dddd', 'a',
                  'bb',
                  ...
                  'ccc', 'dddd', 'a', 'bb', 'ccc', 'dddd', 'a', 'bb', 'ccc',
                  'dddd'],
                 categories=['a', 'bb', 'ccc', 'dddd'], ordered=True, dtype='category', name='foobar', length=400)

In [36]: pd.date_range("20130101", periods=4, name="foo", tz="US/Eastern")
Out[36]: 
DatetimeIndex(['2013-01-01 00:00:00-05:00', '2013-01-02 00:00:00-05:00',
               '2013-01-03 00:00:00-05:00', '2013-01-04 00:00:00-05:00'],
              dtype='datetime64[ns, US/Eastern]', name='foo', freq='D')

In [37]: pd.date_range("20130101", periods=25, freq="D")
Out[37]: 
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06', '2013-01-07', '2013-01-08',
               '2013-01-09', '2013-01-10', '2013-01-11', '2013-01-12',
               '2013-01-13', '2013-01-14', '2013-01-15', '2013-01-16',
               '2013-01-17', '2013-01-18', '2013-01-19', '2013-01-20',
               '2013-01-21', '2013-01-22', '2013-01-23', '2013-01-24',
               '2013-01-25'],
              dtype='datetime64[ns]', freq='D')

In [38]: pd.date_range("20130101", periods=104, name="foo", tz="US/Eastern")
Out[38]: 
DatetimeIndex(['2013-01-01 00:00:00-05:00', '2013-01-02 00:00:00-05:00',
               '2013-01-03 00:00:00-05:00', '2013-01-04 00:00:00-05:00',
               '2013-01-05 00:00:00-05:00', '2013-01-06 00:00:00-05:00',
               '2013-01-07 00:00:00-05:00', '2013-01-08 00:00:00-05:00',
               '2013-01-09 00:00:00-05:00', '2013-01-10 00:00:00-05:00',
               ...
               '2013-04-05 00:00:00-04:00', '2013-04-06 00:00:00-04:00',
               '2013-04-07 00:00:00-04:00', '2013-04-08 00:00:00-04:00',
               '2013-04-09 00:00:00-04:00', '2013-04-10 00:00:00-04:00',
               '2013-04-11 00:00:00-04:00', '2013-04-12 00:00:00-04:00',
               '2013-04-13 00:00:00-04:00', '2013-04-14 00:00:00-04:00'],
              dtype='datetime64[ns, US/Eastern]', name='foo', length=104, freq='D')

性能改进

• 使用混合 dtype（包括日期时间）时，csv 写入性能提高了多达 5 倍 (GH 9940)

• csv 写入性能总体提高了 2 倍 (GH 9940)

• pd.lib.max_len_string_array 的性能提高了 5-7 倍 (GH 10024)

错误修复

• 修复了 DataFrame.plot() 的图例中标签未正确显示的问题，传递 label= 参数现在有效，并且 Series 索引不再被修改。(GH 9542)

• 修复了 json 序列化中的一个错误，该错误在 frame 长度为零时会导致段错误。(GH 9805)

• 修复了 read_csv 中的一个错误，该错误在缺少尾随分隔符时会导致段错误。(GH 5664)

• 修复了在追加时保留索引名称的错误 (GH 9862)

• 修复了 scatter_matrix 绘制意外轴刻度标签的错误 (GH 5662)

• 修复了 StataWriter 中的一个错误，该错误导致在保存时更改输入 DataFrame。(GH 9795)。

• 修复了 transform 中的一个错误，该错误在存在空条目且使用快速聚合器时导致长度不匹配。(GH 9697)

• 修复了 equals 中的一个错误，该错误在块顺序不同时导致误报否定结果。(GH 9330)

• 修复了使用多个 pd.Grouper 进行分组时的一个错误，其中一个不是基于时间的。(GH 10063)

• 修复了使用时区读取 postgres 表时 read_sql_table 错误。(GH 7139)

• 修复了 DataFrame 切片可能无法保留元数据的错误 (GH 9776)

• 修复了在固定 HDFStore 中 TimdeltaIndex 未正确序列化的错误。(GH 9635)

• 修复了当将另一个 TimedeltaIndex 作为数据时，TimedeltaIndex 构造函数忽略 name 的错误。(GH 10025)。

• 修复了 DataFrameFormatter._get_formatted_index 未将 max_colwidth 应用于 DataFrame 索引的错误。(GH 7856)

• 修复了 .loc 在只读 ndarray 数据源上的错误。(GH 10043)

• 修复了 groupby.apply() 中的一个错误，该错误在传入的用户定义函数仅返回 None 时（对于所有输入）会引发错误。(GH 9685)

• 在 pytables 测试中始终使用临时文件 (GH 9992)

• 修复了使用 secondary_y 连续绘图时可能无法正确显示图例的错误。(GH 9610, GH 9779)

• 修复了当 DataFrame 包含非数值列时，DataFrame.plot(kind="hist") 导致 TypeError 的错误。(GH 9853)

• 修复了重复绘制带有 DatetimeIndex 的 DataFrame 可能引发 TypeError 的错误。(GH 9852)

• 修复了 setup.py 中的一个错误，该错误会允许不兼容的 cython 版本构建。(GH 9827)

• 修复了绘制 secondary_y 时，错误地将 right_ax 属性递归地附加到次轴的错误。(GH 9861)

• 修复了对 Datetime 或 Timedelta 类型的空 Series 调用 Series.quantile 的错误。(GH 9675)

• 修复了 where 在需要向上转换时导致结果不正确的错误。(GH 9731)

• 修复了 FloatArrayFormatter 中的一个错误，该错误导致在给定 display.precision 下，以十进制格式显示“小”浮点数的决策边界偏差了一个数量级。(GH 9764)

• 修复了当同时传递 color 和 style 关键字且样式字符串中没有颜色符号时，DataFrame.plot() 引发错误的错误。(GH 9671)

• 修复了在将类似列表与 Index 组合时不显示 DeprecationWarning 的问题。(GH 10083)

• 修复了在使用 skip_rows 参数且存在空行时，read_csv 和 read_table 中的错误。(GH 9832)

• 修复了 read_csv() 将 index_col=True 解释为 1 的错误。(GH 9798)

• 修复了使用 == 进行索引相等性比较时，在 Index/MultiIndex 类型不兼容时失败的错误。(GH 9785)

• 修复了 SparseDataFrame 无法将 nan 作为列名的错误。(GH 8822)

• 修复了 to_msgpack 和 read_msgpack 的 zlib 和 blosc 压缩支持中的错误。(GH 9783)

• 修复了如果按 TimeGrouper 分组，GroupBy.size 未正确附加索引名称的错误。(GH 9925)

• 修复了切片赋值中导致异常的错误，因为 length_of_indexer 返回错误的结果。(GH 9995)

• 修复了 csv 解析器中的一个错误，该错误导致以初始空白字符加上一个非空白字符开头的行被跳过。(GH 9710)

• 修复了 C csv 解析器中的一个错误，该错误在数据以换行符后跟空白字符开头时导致出现不必要的 NaN。(GH 10022)

• 修复了当按 Categorical 分组时，具有空组的元素会溢出到最终组的错误。(GH 9603)

• 修复了 .iloc 和 .loc 在空数据帧上的行为不一致的错误。(GH 9964)

• 修复了对 TimedeltaIndex 进行无效属性访问时，错误地引发 ValueError 而不是 AttributeError 的错误。(GH 9680)

• 修正了分类数据与不在其类别中的标量进行不等比较时出现的错误（例如 Series(Categorical(list("abc"), ordered=True)) > "d"）。之前所有元素都返回 False，但现在会引发 TypeError。相等性比较现在对于 == 也返回 False，对于 != 返回 True。 (GH 9848)

• 修正了当右侧是一个字典时，DataFrame __setitem__ 中的错误 (GH 9874)

• 修正了当 dtype 是 datetime64/timedelta64 但其他对象的 dtype 不是时，where 中的错误 (GH 9804)

• 修正了 MultiIndex.sortlevel() 导致 unicode 层级名称中断的错误 (GH 9856)

• 修正了 groupby.transform 错误地强制输出 dtype 与输入 dtype 匹配的错误。 (GH 9807)

• 修正了当设置了 columns 参数且 data 为空列表时，DataFrame 构造函数中的错误 (GH 9939)

• 修正了当所有值都小于 1 时，带有 log=True 的条形图引发 TypeError 的错误 (GH 9905)

• 修正了水平条形图忽略 log=True 的错误 (GH 9905)

• 修正了 PyTables 查询在使用索引时未返回正确结果的错误 (GH 8265, GH 9676)

• 修正了包含 Decimal 类型值的 DataFrame 除以另一个 Decimal 时会引发错误的错误。 (GH 9787)

• 修正了使用 DataFrames asfreq 会移除索引名称的错误。 (GH 9885)

• 修正了 resample BM/BQ 时导致额外索引点的错误 (GH 9756)

• 修改了 AbstractHolidayCalendar 中的缓存，使其在实例级别而非类级别进行，因为后者可能导致意外行为。 (GH 9552)

• 修正了 MultiIndexed 数据帧的 latex 输出 (GH 9778)

• 修正了使用 DataFrame.loc 设置空范围时导致异常的错误 (GH 9596)

• 修正了在现有坐标轴网格中添加新图时，使用子图和共享坐标轴隐藏刻度标签的错误 (GH 9158)

• 修正了在按分类变量分组时，transform 和 filter 中的错误 (GH 9921)

• 修正了当组的数量和 dtype 与输入索引相等时，transform 中的错误 (GH 9700)

• Google BigQuery 连接器现在按方法导入依赖项。(GH 9713)

• 更新了 BigQuery 连接器，使其不再使用已弃用的 oauth2client.tools.run() (GH 8327)

• 修正了子类化的 DataFrame 中的错误。切片或子集化时，它可能不会返回正确的类。 (GH 9632)

• 修正了 .median() 中未正确处理非浮点空值的错误 (GH 10040)

• 修正了 Series.fillna() 在给定可转换为数字的字符串时引发错误的错误 (GH 10092)

贡献者

共有 58 人为本次发布贡献了补丁。名字旁带有“+”的人是首次贡献补丁。

• Alfonso MHC +

• Andy Hayden

• Artemy Kolchinsky

• Chris Gilmer +

• Chris Grinolds +

• Dan Birken

• David BROCHART +

• David Hirschfeld +

• David Stephens

• Dr. Leo +

• Evan Wright +

• Frans van Dunné +

• Hatem Nassrat +

• Henning Sperr +

• Hugo Herter +

• Jan Schulz

• Jeff Blackburne +

• Jeff Reback

• Jim Crist +

• Jonas Abernot +

• Joris Van den Bossche

• Kerby Shedden

• Leo Razoumov +

• Manuel Riel +

• Mortada Mehyar

• Nick Burns +

• Nick Eubank +

• Olivier Grisel

• Phillip Cloud

• Pietro Battiston

• Roy Hyunjin Han

• Sam Zhang +

• Scott Sanderson +

• Sinhrks +

• Stephan Hoyer

• Tiago Antao

• Tom Ajamian +

• Tom Augspurger

• Tomaz Berisa +

• Vikram Shirgur +

• Vladimir Filimonov

• William Hogman +

• Yasin A +

• Younggun Kim +

• behzad nouri

• dsm054

• floydsoft +

• flying-sheep +

• gfr +

• jnmclarty

• jreback

• ksanghai +

• lucas +

• mschmohl +

• ptype +

• rockg

• scls19fr +

• sinhrks