版本 0.16.1（2015年5月11日）#

这是 0.16.0 的一个次要错误修复版本，包含了大量错误修复以及多项新功能、增强功能和性能改进。我们建议所有用户升级到此版本。

亮点包括

  • 支持 CategoricalIndex，一种基于类别的索引，详见 此处

  • 新增关于如何为 pandas 贡献的章节，详见 此处

  • 修订后的“合并、连接和拼接”文档，包含图示示例，以便更容易理解各项操作，详见 此处

  • 新增 `sample` 方法，用于从 Series、DataFrames 和 Panels 中抽取随机样本。详见 此处

  • 默认的 Index 打印格式已更改为更统一的格式，详见 此处

  • 现在支持 BusinessHour 日期时间偏移量，详见 此处

  • 进一步增强了 .str 访问器，使字符串操作更简便，详见 此处

警告

在 pandas 0.17.0 中，`pandas.io.data` 子包将被移除，取而代之的是一个可单独安装的包（GH 8961）。

增强功能#

CategoricalIndex#

我们引入了 CategoricalIndex，这是一种新型索引对象，对于支持重复值索引非常有用。它是 Categorical（在 v0.15.0 中引入）的封装，可以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 数据类型设置 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')

设置索引时，将创建 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 进行索引与具有重复值的 Index 类似。索引器必须属于该类别，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')

排序将按照类别的顺序进行

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性质

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一个结果索引，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，其索引根据传入的 Categorical 数据类型类别进行。这允许即使索引器值不在类别中也能任意索引，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')

更多信息请参阅文档。（GH 7629, GH 10038, GH 10039）

Sample 方法#

Series、DataFrames 和 Panels 现在有了一个新方法：sample()。该方法接受要返回的特定行数或列数，或总行数或列数的一个分数。它还提供了有放回或无放回抽样、为非均匀抽样传入权重列以及设置种子值以方便复现的选项。（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，可以传入列名以指定从行中抽样时的抽样权重。

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]

字符串方法增强功能#

延续 v0.16.0 的改进，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` 访问器现在可用于 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')

    `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 np.array 而不是布尔 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 关键字来指定是否扩展维度。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#

  • 现在支持 BusinessHour 偏移量，默认情况下它表示 BusinessDay 从 09:00 到 17:00 的工作时间。详见 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 接受类数组参数作为阈值（这是 0.11.0 的一个回归）。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（GH 8801）

  • drop 函数现在可以接受 errors 关键字，以抑制当目标数据中不存在任何标签时引发的 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]

  • 添加了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) 将数据类型为 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。如果设置为 True，返回的 DataFrame 将是稀疏的，例如 SparseDataFrame。（GH 8823）

  • Period 现在接受 datetime64 作为值输入。（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 与 00:00:00。（GH 9570）

  • 允许 Panel.shift 与 axis='items' 一起使用（GH 9890）

  • 现在，如果 DataFrame 具有 MultiIndex，则尝试写入 Excel 文件将引发 NotImplementedError，而不是写入损坏的 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，作为可覆盖的更高维度数据构造函数。这应仅在确实需要时使用，详见 此处

  • pd.lib.infer_dtype 在 Python 3 中现在会在适当的时候返回 'bytes'。（GH 10032）

API 变更#

  • 当向 df.plot( ..., ax=ax) 传入 `ax` 时，sharex 关键字参数现在将默认为 False。结果是 x 轴标签和 x 轴刻度标签的可见性将不再改变。您需要自行在图中的正确轴上进行设置，或明确设置 sharex=True（但这会改变图中所有轴的可见性，而不仅仅是传入的那个轴！）。如果 pandas 自行创建子图（例如，没有传入 `ax` 关键字参数），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 以恢复之前的行为（不解压）。（GH 9770）

弃用#

  • Series.str.split 的 return_type 关键字已移除，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。如果值较少，它们将显示为单行；如果值很多（但少于 display.max_seq_items），则显示为多行换行；如果项目过多（> display.max_seq_items），则显示为截断格式（数据的开头和结尾）。MultiIndex 的格式保持不变（多行换行显示）。显示宽度响应 display.max_seq_items 选项，其默认值为 100。（GH 6482）

旧行为

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#

  • 混合数据类型（包括日期时间）的 CSV 写入性能提升高达 5 倍（GH 9940）

  • CSV 写入性能整体提升 2 倍（GH 9940）

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

错误修复#

  • DataFrame.plot() 图例中标签显示不正确的错误已修复，现在传递 label= 参数可以正常工作，且 Series 索引不再被修改。（GH 9542）

  • JSON 序列化中的一个错误，当帧长度为零时导致段错误。（GH 9805）

  • read_csv 中一个错误，当缺少尾随分隔符时会导致段错误。（GH 5664）

  • 追加时保留索引名称的错误已修复（GH 9862）

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

  • 修复了 StataWriter 中的错误，该错误导致在保存时修改输入 DataFrame（GH 9795）。

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

  • equals 中的一个错误，当块顺序不同时导致假阴性（GH 9330）

  • 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）

  • 从带时区的 postgres 表读取时 read_sql_table 报错的错误已修复（GH 7139）

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

  • HDFStore 中 TimdeltaIndex 未正确序列化的错误已修复（GH 9635）

  • TimedeltaIndex 构造函数在给定另一个 TimedeltaIndex 作为数据时忽略 name 的错误已修复（GH 10025）。

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

  • .loc 处理只读 ndarray 数据源的错误已修复（GH 10043）

  • groupby.apply() 中的一个错误，当传入的用户定义函数（对所有输入）只返回 None 时会引发错误（GH 9685）

  • 在 pytables 测试中始终使用临时文件（GH 9992）

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

  • DataFrame.plot(kind="hist") 中一个错误，当 DataFrame 包含非数值列时导致 TypeError（GH 9853）

  • 重复绘制带有 DatetimeIndex 的 DataFrame 时可能引发 TypeError 的错误已修复（GH 9852）

  • setup.py 中的一个错误，该错误允许不兼容的 cython 版本进行构建（GH 9827）

  • 绘制 secondary_y 时错误地将 right_ax 属性递归地附加到次要轴的错误已修复（GH 9861）

  • Series.quantile 处理空 Datetime 或 Timedelta 类型 Series 的错误已修复（GH 9675）

  • where 中的一个错误，当需要向上转型时导致结果不正确（GH 9731）

  • FloatArrayFormatter 中的一个错误，当给定 display.precision 时，显示“小”浮点数的十进制格式的决策边界偏差一个数量级（GH 9764）

  • 修复了 DataFrame.plot() 中的错误，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会引发错误（GH 9671）

  • 在将类列表与 Index 结合时不再显示 DeprecationWarning（GH 10083）

  • read_csv 和 read_table 中一个错误，当存在空行时使用 skip_rows 参数会出错（GH 9832）

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

  • 索引相等性比较中使用 == 在 Index/MultiIndex 类型不兼容时失败的错误已修复（GH 9785）

  • SparseDataFrame 不能将 nan 作为列名的错误已修复（GH 8822）

  • to_msgpack 和 read_msgpack zlib 和 blosc 压缩支持中的错误已修复（GH 9783）

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

  • 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）

  • CSV 解析器中的一个错误，导致带有初始空白符和一个非空白字符的行被跳过（GH 9710）

  • C CSV 解析器中的一个错误，当数据以换行符和空白符开头时导致虚假 NaN（GH 10022）

  • 当按 Categorical 分组时，导致带有空组的元素溢出到最终组的错误（GH 9603）

  • .iloc 和 .loc 在空数据帧上行为不一致的错误已修复（GH 9964）

  • 对 TimedeltaIndex 进行无效属性访问时错误地引发 ValueError 而不是 AttributeError 的错误已修复（GH 9680）

  • 类别数据与不在类别中的标量进行不等比较时的错误（例如 Series(Categorical(list("abc"), ordered=True)) > "d"）。以前对所有元素返回 False，现在引发 TypeError。相等性比较现在对 == 返回 False，对 != 返回 True。（GH 9848）

  • 当右侧是一个字典时，DataFrame __setitem__ 中的错误已修复（GH 9874）

  • 当 dtype 为 datetime64/timedelta64 但其他 dtype 不是时，where 中的错误已修复（GH 9804）

  • MultiIndex.sortlevel() 导致 unicode 级别名称中断的错误已修复（GH 9856）

  • groupby.transform 错误地强制输出数据类型与输入数据类型匹配的错误已修复（GH 9807）

  • DataFrame 构造函数中一个错误，当 columns 参数设置且 data 为空列表时出错（GH 9939）

  • 条形图中使用 log=True 时，如果所有值都小于 1 则引发 TypeError 的错误已修复（GH 9905）

  • 水平条形图忽略 log=True 的错误已修复（GH 9905）

  • PyTables 查询中一个错误，无法使用索引返回正确结果（GH 8265, GH 9676）

  • 包含 Decimal 类型值的 DataFrame 被另一个 Decimal 除时会引发错误的错误已修复（GH 9787）

  • 使用 DataFrames 的 asfreq 会移除索引名称的错误已修复（GH 9885）

  • 当重新采样 BM/BQ 时导致额外索引点的错误已修复（GH 9756）

  • 将 AbstractHolidayCalendar 中的缓存更改为实例级别，而不是类级别，因为后者可能导致意外行为。（GH 9552）

  • 修复了 MultiIndexed 数据帧的 LaTeX 输出（GH 9778）

  • 使用 DataFrame.loc 设置空范围时导致异常的错误已修复（GH 9596）

  • 在现有轴网格中添加新绘图时，隐藏带子图和共享轴的刻度标签的错误已修复（GH 9158）

  • 按分类变量分组时，transform 和 filter 中的错误已修复（GH 9921）

  • 当组的数量和数据类型与输入索引相同时，transform 中的错误已修复（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，不再使用已弃用的 oauth2client.tools.run()（GH 8327）

  • 子类化 DataFrame 中的错误。切片或子集化时可能无法返回正确的类。（GH 9632）

  • .median() 中非浮点型空值未正确处理的错误已修复（GH 10040）

  • Series.fillna() 中的一个错误，当给定可转换为数字的字符串时会引发错误（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