1.5.0 版本新特性 (2022 年 9 月 19 日)#

以下是 pandas 1.5.0 中的变更。有关完整的变更日志，包括其他 pandas 版本，请参阅发布说明。

增强功能#

pandas-stubs#

现在，pandas 开发团队支持 pandas-stubs 库，为 pandas API 提供类型存根。请访问 pandas-dev/pandas-stubs 获取更多信息。

我们感谢 VirtusLab 和 Microsoft 对 pandas-stubs 的初步和重要贡献。

原生 PyArrow 支持的扩展数组 (ExtensionArray)#

安装 Pyarrow 后，用户现在可以创建由 pyarrow.ChunkedArray 和 pyarrow.DataType 支持的 pandas 对象。

dtype 参数可以接受一个 pyarrow 数据类型字符串，并在括号中包含 pyarrow，例如 "int64[pyarrow]"；对于带参数的 pyarrow 数据类型，可以接受用 pyarrow.DataType 初始化的 ArrowDtype。

In [1]: import pyarrow as pa

In [2]: ser_float = pd.Series([1.0, 2.0, None], dtype="float32[pyarrow]")

In [3]: ser_float
Out[3]: 
0     1.0
1     2.0
2    <NA>
dtype: float[pyarrow]

In [4]: list_of_int_type = pd.ArrowDtype(pa.list_(pa.int64()))

In [5]: ser_list = pd.Series([[1, 2], [3, None]], dtype=list_of_int_type)

In [6]: ser_list
Out[6]: 
0      [1. 2.]
1    [ 3. nan]
dtype: list<item: int64>[pyarrow]

In [7]: ser_list.take([1, 0])
Out[7]: 
1    [ 3. nan]
0      [1. 2.]
dtype: list<item: int64>[pyarrow]

In [8]: ser_float * 5
Out[8]: 
0     5.0
1    10.0
2    <NA>
dtype: float[pyarrow]

In [9]: ser_float.mean()
Out[9]: 1.5

In [10]: ser_float.dropna()
Out[10]: 
0    1.0
1    2.0
dtype: float[pyarrow]

大多数操作都受支持，并已使用 pyarrow 计算函数实现。我们建议安装最新版本的 PyArrow 以访问最新实现的计算函数。

警告

此功能是实验性的，API 在未来的版本中可能会在不通知的情况下更改。

DataFrame 交换协议实现#

Pandas 现在实现了 DataFrame 交换 API 规范。有关 API 的完整详细信息，请参阅 https://data-apis.org/dataframe-protocol/latest/index.html

该协议包含两部分：

  • 新增方法 DataFrame.__dataframe__()，用于生成交换对象。它有效地将 pandas DataFrame “导出” 为一个交换对象，这样任何实现了该协议的其他库都可以“导入”该 DataFrame，而无需了解生产者除了它生成一个交换对象之外的任何信息。

  • 新增函数 pandas.api.interchange.from_dataframe()，它可以从任何符合协议的库中获取任意交换对象，并从中构建一个 pandas DataFrame。

样式器 (Styler)#

最显著的开发是新的方法 Styler.concat()，它允许添加自定义的页脚行来可视化数据上的额外计算，例如总计和计数等 (GH 43875, GH 46186)。

此外，还有一种替代输出方法 Styler.to_string()，它允许使用 Styler 的格式化方法创建例如 CSV 文件 (GH 44502)。

还提供了一个新功能 Styler.relabel_index()，可用于完全自定义索引或列标题的显示 (GH 47864)。

次要功能改进包括：

  • 增加了在 Excel 中渲染 border 和 border-{side} CSS 属性的能力 (GH 42276)。

  • 使关键词参数保持一致：Styler.highlight_null() 现在接受 color 并弃用 null_color，尽管这仍然保持向后兼容 (GH 45907)。

在 DataFrame.resample() 中使用 group_keys 控制索引#

参数 group_keys 已添加到方法 DataFrame.resample() 中。与 DataFrame.groupby() 一样，此参数控制在使用 Resampler.apply() 时是否将每个组添加到重采样结果的索引中。

警告

不指定 group_keys 参数将保留之前的行为，并且如果指定 group_keys=False 会导致结果改变，则会发出警告。在未来的 pandas 版本中，不指定 group_keys 将默认为与 group_keys=False 相同的行为。

In [11]: df = pd.DataFrame(
   ....:     {'a': range(6)},
   ....:     index=pd.date_range("2021-01-01", periods=6, freq="8H")
   ....: )
   ....:

In [12]: df.resample("D", group_keys=True).apply(lambda x: x)
Out[12]:
                                a
2021-01-01 2021-01-01 00:00:00  0
           2021-01-01 08:00:00  1
           2021-01-01 16:00:00  2
2021-01-02 2021-01-02 00:00:00  3
           2021-01-02 08:00:00  4
           2021-01-02 16:00:00  5

In [13]: df.resample("D", group_keys=False).apply(lambda x: x)
Out[13]:
                     a
2021-01-01 00:00:00  0
2021-01-01 08:00:00  1
2021-01-01 16:00:00  2
2021-01-02 00:00:00  3
2021-01-02 08:00:00  4
2021-01-02 16:00:00  5

以前，结果索引将取决于 apply 返回的值，如下例所示。

In [1]: # pandas 1.3
In [2]: df.resample("D").apply(lambda x: x)
Out[2]:
                     a
2021-01-01 00:00:00  0
2021-01-01 08:00:00  1
2021-01-01 16:00:00  2
2021-01-02 00:00:00  3
2021-01-02 08:00:00  4
2021-01-02 16:00:00  5

In [3]: df.resample("D").apply(lambda x: x.reset_index())
Out[3]:
                           index  a
2021-01-01 0 2021-01-01 00:00:00  0
           1 2021-01-01 08:00:00  1
           2 2021-01-01 16:00:00  2
2021-01-02 0 2021-01-02 00:00:00  3
           1 2021-01-02 08:00:00  4
           2 2021-01-02 16:00:00  5

from_dummies#

新增函数 from_dummies()，用于将哑编码的 DataFrame 转换为分类 DataFrame。

In [11]: import pandas as pd

In [12]: df = pd.DataFrame({"col1_a": [1, 0, 1], "col1_b": [0, 1, 0],
   ....:                    "col2_a": [0, 1, 0], "col2_b": [1, 0, 0],
   ....:                    "col2_c": [0, 0, 1]})
   ....: 

In [13]: pd.from_dummies(df, sep="_")
Out[13]: 
  col1 col2
0    a    b
1    b    a
2    a    c

写入 ORC 文件#

新方法 DataFrame.to_orc() 允许写入 ORC 文件 (GH 43864)。

此功能依赖于 pyarrow 库。有关更多详细信息，请参阅 ORC 的 IO 文档。

警告

  • 强烈建议使用 conda 安装 pyarrow，因为 pyarrow 可能会出现一些问题。

  • to_orc() 需要 pyarrow>=7.0.0。

  • to_orc() 暂不支持 Windows 系统，您可以在 安装可选依赖项 中找到有效的环境。

  • 有关支持的 dtype，请参阅 Arrow 中支持的 ORC 功能。

  • 目前，将 DataFrame 转换为 ORC 文件时，日期时间列中的时区信息不会被保留。

df = pd.DataFrame(data={"col1": [1, 2], "col2": [3, 4]})
df.to_orc("./out.orc")

直接从 TAR 归档文件读取#

I/O 方法，例如 read_csv() 或 DataFrame.to_json() 现在允许直接读取和写入 TAR 归档文件 (GH 44787)。

df = pd.read_csv("./movement.tar.gz")
# ...
df.to_csv("./out.tar.gz")

这支持 .tar, .tar.gz, .tar.bz 和 .tar.xz2 归档文件。所使用的压缩方法会从文件名中推断。如果无法推断压缩方法，请使用 compression 参数。

df = pd.read_csv(some_file_obj, compression={"method": "tar", "mode": "r:gz"}) # noqa F821

(mode 是 tarfile.open 的模式之一：https://docs.pythonlang.cn/3/library/tarfile.html#tarfile.open)

read_xml 现在支持 dtype, converters 和 parse_dates#

与其他 I/O 方法类似，pandas.read_xml() 现在支持为列分配特定的 dtype、应用转换器方法以及解析日期 (GH 43567)。

In [14]: from io import StringIO

In [15]: xml_dates = """<?xml version='1.0' encoding='utf-8'?>
   ....: <data>
   ....:   <row>
   ....:     <shape>square</shape>
   ....:     <degrees>00360</degrees>
   ....:     <sides>4.0</sides>
   ....:     <date>2020-01-01</date>
   ....:    </row>
   ....:   <row>
   ....:     <shape>circle</shape>
   ....:     <degrees>00360</degrees>
   ....:     <sides/>
   ....:     <date>2021-01-01</date>
   ....:   </row>
   ....:   <row>
   ....:     <shape>triangle</shape>
   ....:     <degrees>00180</degrees>
   ....:     <sides>3.0</sides>
   ....:     <date>2022-01-01</date>
   ....:   </row>
   ....: </data>"""
   ....: 

In [16]: df = pd.read_xml(
   ....:     StringIO(xml_dates),
   ....:     dtype={'sides': 'Int64'},
   ....:     converters={'degrees': str},
   ....:     parse_dates=['date']
   ....: )
   ....: 

In [17]: df
Out[17]: 
      shape degrees  sides       date
0    square   00360      4 2020-01-01
1    circle   00360   <NA> 2021-01-01
2  triangle   00180      3 2022-01-01

In [18]: df.dtypes
Out[18]: 
shape              object
degrees            object
sides               Int64
date       datetime64[ns]
dtype: object

read_xml 现在支持使用 iterparse 处理大型 XML 文件#

对于大小从数百兆字节到数千兆字节的超大型 XML 文件，pandas.read_xml() 现在支持使用 lxml 的 iterparse 和 etree 的 iterparse 来解析这些文件，这些方法是内存高效的，可以在不将整个树加载到内存中的情况下遍历 XML 树并提取特定元素和属性 (GH 45442)。

In [1]: df = pd.read_xml(
...      "/path/to/downloaded/enwikisource-latest-pages-articles.xml",
...      iterparse = {"page": ["title", "ns", "id"]})
...  )
df
Out[2]:
                                                     title   ns        id
0                                       Gettysburg Address    0     21450
1                                                Main Page    0     42950
2                            Declaration by United Nations    0      8435
3             Constitution of the United States of America    0      8435
4                     Declaration of Independence (Israel)    0     17858
...                                                    ...  ...       ...
3578760               Page:Black cat 1897 07 v2 n10.pdf/17  104    219649
3578761               Page:Black cat 1897 07 v2 n10.pdf/43  104    219649
3578762               Page:Black cat 1897 07 v2 n10.pdf/44  104    219649
3578763      The History of Tom Jones, a Foundling/Book IX    0  12084291
3578764  Page:Shakespeare of Stratford (1926) Yale.djvu/91  104     21450

[3578765 rows x 3 columns]

写时复制 (Copy on Write)#

新增功能 copy_on_write (GH 46958)。写时复制确保任何以任何方式从另一个 DataFrame 或 Series 派生出来的对象始终表现为副本。写时复制不允许更新除应用方法对象以外的任何其他对象。

写时复制可以通过以下方式启用：

pd.set_option("mode.copy_on_write", True)
pd.options.mode.copy_on_write = True

或者，写时复制可以在本地通过以下方式启用：

with pd.option_context("mode.copy_on_write", True):
    ...

在没有写时复制的情况下，当更新从父 DataFrame 派生出的子 DataFrame 时，父 DataFrame 也会被更新。

In [19]: df = pd.DataFrame({"foo": [1, 2, 3], "bar": 1})

In [20]: view = df["foo"]

In [21]: view.iloc[0]
Out[21]: 1

In [22]: df
Out[22]: 
   foo  bar
0    1    1
1    2    1
2    3    1

启用写时复制后，df 将不再被更新。

In [23]: with pd.option_context("mode.copy_on_write", True):
   ....:     df = pd.DataFrame({"foo": [1, 2, 3], "bar": 1})
   ....:     view = df["foo"]
   ....:     view.iloc[0]
   ....:     df
   ....:

更详细的解释可以在这里找到。

其他增强功能#

重要的错误修复#

这些是可能导致显著行为变化的错误修复。

在 groupby 转换中使用 dropna=True#

转换是一种结果大小与输入相同的操作。当结果是 DataFrame 或 Series 时，还要求结果的索引与输入的索引匹配。在 pandas 1.4 中，对包含空值的组使用 DataFrameGroupBy.transform() 或 SeriesGroupBy.transform() 并设置 dropna=True 会得到不正确的结果。如下例所示，不正确的结果要么包含错误的值，要么结果的索引与输入不匹配。

In [24]: df = pd.DataFrame({'a': [1, 1, np.nan], 'b': [2, 3, 4]})

旧行为:

In [3]: # Value in the last row should be np.nan
        df.groupby('a', dropna=True).transform('sum')
Out[3]:
   b
0  5
1  5
2  5

In [3]: # Should have one additional row with the value np.nan
        df.groupby('a', dropna=True).transform(lambda x: x.sum())
Out[3]:
   b
0  5
1  5

In [3]: # The value in the last row is np.nan interpreted as an integer
        df.groupby('a', dropna=True).transform('ffill')
Out[3]:
                     b
0                    2
1                    3
2 -9223372036854775808

In [3]: # Should have one additional row with the value np.nan
        df.groupby('a', dropna=True).transform(lambda x: x)
Out[3]:
   b
0  2
1  3

新行为:

In [25]: df.groupby('a', dropna=True).transform('sum')
Out[25]: 
     b
0  5.0
1  5.0
2  NaN

In [26]: df.groupby('a', dropna=True).transform(lambda x: x.sum())
Out[26]: 
     b
0  5.0
1  5.0
2  NaN

In [27]: df.groupby('a', dropna=True).transform('ffill')
Out[27]: 
     b
0  2.0
1  3.0
2  NaN

In [28]: df.groupby('a', dropna=True).transform(lambda x: x)
Out[28]: 
     b
0  2.0
1  3.0
2  NaN

使用 iso_dates=True 将时区不敏感的 Timestamp 序列化为 JSON#

DataFrame.to_json(), Series.to_json() 和 Index.to_json() 会错误地将带有时区不敏感 Timestamp 的 DatetimeArrays/DatetimeIndexes 本地化为 UTC (GH 38760)。

请注意，此补丁并未修复时区敏感 Timestamp 在序列化时到 UTC 的本地化问题。（相关问题 GH 12997）

旧行为

In [32]: index = pd.date_range(
   ....:     start='2020-12-28 00:00:00',
   ....:     end='2020-12-28 02:00:00',
   ....:     freq='1H',
   ....: )
   ....:

In [33]: a = pd.Series(
   ....:     data=range(3),
   ....:     index=index,
   ....: )
   ....:

In [4]: from io import StringIO

In [5]: a.to_json(date_format='iso')
Out[5]: '{"2020-12-28T00:00:00.000Z":0,"2020-12-28T01:00:00.000Z":1,"2020-12-28T02:00:00.000Z":2}'

In [6]: pd.read_json(StringIO(a.to_json(date_format='iso')), typ="series").index == a.index
Out[6]: array([False, False, False])

新行为

In [34]: from io import StringIO

In [35]: a.to_json(date_format='iso')
Out[35]: '{"2020-12-28T00:00:00.000Z":0,"2020-12-28T01:00:00.000Z":1,"2020-12-28T02:00:00.000Z":2}'

# Roundtripping now works
In [36]: pd.read_json(StringIO(a.to_json(date_format='iso')), typ="series").index == a.index
Out[36]: array([ True,  True,  True])

DataFrameGroupBy.value_counts 使用非分组分类列和 observed=True#

调用 DataFrameGroupBy.value_counts() 并设置 observed=True 会错误地删除非分组列中未观察到的类别 (GH 46357)。

In [6]: df = pd.DataFrame(["a", "b", "c"], dtype="category").iloc[0:2]
In [7]: df
Out[7]:
   0
0  a
1  b

旧行为

In [8]: df.groupby(level=0, observed=True).value_counts()
Out[8]:
0  a    1
1  b    1
dtype: int64

新行为

In [9]: df.groupby(level=0, observed=True).value_counts()
Out[9]:
0  a    1
1  a    0
   b    1
0  b    0
   c    0
1  c    0
dtype: int64

向后不兼容的 API 更改#

提高依赖项的最低版本要求#

部分依赖项的最低支持版本已更新。如果已安装，我们现在要求：

包

最低版本

必需

已更改

numpy

1.20.3

X

X

mypy (dev)

0.971

X

beautifulsoup4

4.9.3

X

blosc

1.21.0

X

bottleneck

1.3.2

X

fsspec

2021.07.0

X

hypothesis

6.13.0

X

gcsfs

2021.07.0

X

jinja2

3.0.0

X

lxml

4.6.3

X

numba

0.53.1

X

numexpr

2.7.3

X

openpyxl

3.0.7

X

pandas-gbq

0.15.0

X

psycopg2

2.8.6

X

pymysql

1.0.2

X

pyreadstat

1.1.2

X

pyxlsb

1.0.8

X

s3fs

2021.08.0

X

scipy

1.7.1

X

sqlalchemy

1.4.16

X

tabulate

0.8.9

X

xarray

0.19.0

X

xlsxwriter

1.4.3

X

对于 可选库，一般建议使用最新版本。下表列出了 pandas 开发过程中目前测试的每个库的最低版本。低于最低测试版本的可选库可能仍然可用，但不被视为受支持。

包

最低版本

已更改

beautifulsoup4

4.9.3

X

blosc

1.21.0

X

bottleneck

1.3.2

X

brotlipy

0.7.0

fastparquet

0.4.0

fsspec

2021.08.0

X

html5lib

1.1

hypothesis

6.13.0

X

gcsfs

2021.08.0

X

jinja2

3.0.0

X

lxml

4.6.3

X

matplotlib

3.3.2

numba

0.53.1

X

numexpr

2.7.3

X

odfpy

1.4.1

openpyxl

3.0.7

X

pandas-gbq

0.15.0

X

psycopg2

2.8.6

X

pyarrow

1.0.1

pymysql

1.0.2

X

pyreadstat

1.1.2

X

pytables

3.6.1

python-snappy

0.6.0

pyxlsb

1.0.8

X

s3fs

2021.08.0

X

scipy

1.7.1

X

sqlalchemy

1.4.16

X

tabulate

0.8.9

X

tzdata

2022a

xarray

0.19.0

X

xlrd

2.0.1

xlsxwriter

1.4.3

X

xlwt

1.3.0

zstandard

0.15.2

更多详情请参阅 依赖项 和 可选依赖项。

其他 API 更改#

弃用#

警告

在下一个主要版本 2.0 中，正在考虑进行几项较大的 API 更改，这些更改将不会有正式的弃用通知，例如将标准库 zoneinfo 作为默认时区实现而不是 pytz，让 Index 支持所有数据类型而不是拥有多个子类 (CategoricalIndex, Int64Index 等)，以及更多。正在考虑的更改已记录在 此 GitHub Issue 中，欢迎任何反馈或疑虑。

在具有 Int64Index 或 RangeIndex 的 Series 上进行基于标签的整数切片#

在未来的版本中，对具有 Int64Index 或 RangeIndex 的 Series 进行整数切片将被视为基于标签，而非基于位置。这将使行为与 Series.__getitem__() 和 Series.__setitem__() 的其他行为保持一致 (GH 45162)。

例如

In [29]: ser = pd.Series([1, 2, 3, 4, 5], index=[2, 3, 5, 7, 11])

在旧行为中，ser[2:4] 将切片视为基于位置

旧行为:

In [3]: ser[2:4]
Out[3]:
5    3
7    4
dtype: int64

在未来版本中，这将视为基于标签

未来行为:

In [4]: ser.loc[2:4]
Out[4]:
2    1
3    2
dtype: int64

要保留旧行为，请使用 series.iloc[i:j]。要获得未来行为，请使用 series.loc[i:j]。

对 DataFrame 的切片将不受影响。

ExcelWriter 属性#

ExcelWriter 的所有属性之前都已记录为非公开。但是，一些第三方 Excel 引擎记录了访问 ExcelWriter.book 或 ExcelWriter.sheets，并且用户正在使用这些属性以及可能其他属性。以前这些属性使用不安全；例如，对 ExcelWriter.book 的修改不会更新 ExcelWriter.sheets，反之亦然。为了支持这一点，pandas 已将一些属性公开并改进了它们的实现，以便现在可以安全使用。( GH 45572)

以下属性现在是公开的，并被认为是安全的访问。

  • book

  • check_extension

  • close

  • date_format

  • datetime_format

  • engine

  • if_sheet_exists

  • sheets

  • supported_extensions

以下属性已被弃用。现在访问它们时会引发 FutureWarning，并将在未来的版本中删除。用户应注意，它们的使用被认为是不安全的，并可能导致意外结果。

  • cur_sheet

  • handles

  • path

  • save

  • write_cells

有关更多详细信息，请参阅 ExcelWriter 的文档。

在 DataFrameGroupBy.apply() 和 SeriesGroupBy.apply() 中使用 group_keys 与转换器#

在 pandas 的早期版本中，如果推断传递给 DataFrameGroupBy.apply() 或 SeriesGroupBy.apply() 的函数是转换器（即，结果索引等于输入索引），则会忽略 DataFrame.groupby() 和 Series.groupby() 的 group_keys 参数，并且永远不会将组键添加到结果的索引中。将来，当用户指定 group_keys=True 时，组键将被添加到索引中。

由于 group_keys=True 是 DataFrame.groupby() 和 Series.groupby() 的默认值，因此在使用转换器时未指定 group_keys 将引发 FutureWarning。可以通过指定 group_keys=False 来抑制此警告并保留之前的行为。

使用 loc 和 iloc 设置值时的原地操作#

大多数情况下，使用 DataFrame.iloc() 设置值会尝试原地设置，只有在必要时才回退到插入新数组。在某些情况下，此规则不被遵循，例如当从具有不同 dtype 的数组设置整个列时：

In [30]: df = pd.DataFrame({'price': [11.1, 12.2]}, index=['book1', 'book2'])

In [31]: original_prices = df['price']

In [32]: new_prices = np.array([98, 99])

旧行为:

In [3]: df.iloc[:, 0] = new_prices
In [4]: df.iloc[:, 0]
Out[4]:
book1    98
book2    99
Name: price, dtype: int64
In [5]: original_prices
Out[5]:
book1    11.1
book2    12.2
Name: price, float: 64

此行为已弃用。在未来的版本中，使用 iloc 设置整个列将尝试原地操作。

未来行为:

In [3]: df.iloc[:, 0] = new_prices
In [4]: df.iloc[:, 0]
Out[4]:
book1    98.0
book2    99.0
Name: price, dtype: float64
In [5]: original_prices
Out[5]:
book1    98.0
book2    99.0
Name: price, dtype: float64

要获得旧行为，请直接使用 DataFrame.__setitem__()

In [3]: df[df.columns[0]] = new_prices
In [4]: df.iloc[:, 0]
Out[4]
book1    98
book2    99
Name: price, dtype: int64
In [5]: original_prices
Out[5]:
book1    11.1
book2    12.2
Name: price, dtype: float64

当 df.columns 不唯一且您想按索引更改单个列时，为了获得旧行为，可以使用 DataFrame.isetitem()，该方法已在 pandas 1.5 中添加。

In [3]: df_with_duplicated_cols = pd.concat([df, df], axis='columns')
In [3]: df_with_duplicated_cols.isetitem(0, new_prices)
In [4]: df_with_duplicated_cols.iloc[:, 0]
Out[4]:
book1    98
book2    99
Name: price, dtype: int64
In [5]: original_prices
Out[5]:
book1    11.1
book2    12.2
Name: 0, dtype: float64

numeric_only 默认值#

在 DataFrame、DataFrameGroupBy 和 Resampler 操作（如 min、sum 和 idxmax）中，numeric_only 参数的默认值（如果存在的话）不一致。此外，使用默认值 None 的操作可能导致意外结果。( GH 46560)

In [1]: df = pd.DataFrame({"a": [1, 2], "b": ["x", "y"]})

In [2]: # Reading the next line without knowing the contents of df, one would
        # expect the result to contain the products for both columns a and b.
        df[["a", "b"]].prod()
Out[2]:
a    2
dtype: int64

为避免此行为，指定值 numeric_only=None 已被弃用，并将在 pandas 的未来版本中删除。将来，所有带有 numeric_only 参数的操作都将默认设置为 False。用户应仅对可操作的列调用操作，或者指定 numeric_only=True 以仅对布尔、整数和浮点列进行操作。

为了支持向新行为的过渡，以下方法已获得 numeric_only 参数。

其他弃用#

  • 在 DataFrame.to_csv() 和 Series.to_csv() 中弃用了关键字 line_terminator，请改用 lineterminator；这是为了与 read_csv() 和标准库“csv”模块保持一致 (GH 9568)

  • 当传递非稀疏 dtype 时，弃用了 SparseArray.astype(), Series.astype(), 和 DataFrame.astype() 与 SparseDtype 的行为。在未来的版本中，这将转换为该非稀疏 dtype，而不是将其封装在 SparseDtype 中 (GH 34457)

  • 弃用了 DatetimeIndex.intersection() 和 DatetimeIndex.symmetric_difference()（union 行为已在 1.3.0 版本中弃用）与混合时区的行为；在未来的版本中，两者都将转换为 UTC 而不是对象 dtype (GH 39328, GH 45357)

  • 弃用了 DataFrame.iteritems(), Series.iteritems(), HDFStore.iteritems()，转而使用 DataFrame.items(), Series.items(), HDFStore.items() (GH 45321)

  • 弃用了 Series.is_monotonic() 和 Index.is_monotonic()，转而使用 Series.is_monotonic_increasing() 和 Index.is_monotonic_increasing() (GH 45422, GH 21335)

  • 弃用了 DatetimeIndex.astype(), TimedeltaIndex.astype(), PeriodIndex.astype() 在转换为除 int64 之外的整数 dtype 时的行为。在未来的版本中，这些将精确转换为指定的 dtype（而不是始终转换为 int64），并且如果转换溢出将引发错误 (GH 45034)

  • 弃用了 DataFrame 和 Series 的 __array_wrap__ 方法，改为依赖标准的 numpy ufuncs (GH 45451)

  • 当浮点型数据在 Series 或 DatetimeIndex 中与时区一起传递时，将其视为实际时间（wall-times）的行为已弃用 (GH 45573)

  • 弃用了 Series.fillna() 和 DataFrame.fillna() 在 timedelta64[ns] dtype 和不兼容填充值时的行为；在未来的版本中，这将转换为一个通用 dtype（通常是对象）而不是引发错误，与其它 dtype 的行为保持一致 (GH 45746)

  • 弃用了 infer_freq() 中的 warn 参数 (GH 45947)

  • 弃用了 ExtensionArray.argsort() 中允许非关键字参数的用法 (GH 46134)

  • 弃用了 DataFrame.any() 和 DataFrame.all() 在 bool_only=True 时将全布尔 object-dtype 列视为布尔型的方式，请明确转换为布尔型 (GH 46188)

  • 弃用了方法 DataFrame.quantile() 的行为，属性 numeric_only 将默认为 False。结果将包括日期时间/时间差列 (GH 7308)。

  • 弃用了 Timedelta.freq 和 Timedelta.is_populated (GH 46430)

  • 弃用了 Timedelta.delta (GH 46476)

  • 弃用了在 DataFrame.any() 和 Series.any() 中将参数作为位置参数传递的行为 (GH 44802)

  • 弃用了除 data 外，在 DataFrame.pivot() 和 pivot() 中传递位置参数的行为 (GH 30228)

  • 弃用了方法 DataFrame.mad(), Series.mad() 以及相应的 groupby 方法 (GH 11787)

  • 弃用了 Index.join() 中除 other 之外的位置参数，请改用仅限关键字的参数而非位置参数 (GH 46518)

  • 弃用了 StringMethods.rsplit() 和 StringMethods.split() 中除 pat 之外的位置参数，请改用仅限关键字的参数而非位置参数 (GH 47423)

  • 弃用了对不带时区信息的 DatetimeIndex 使用表示带时区信息的日期时间字符串进行索引的行为 (GH 46903, GH 36148)

  • 弃用了在 Timestamp 构造函数中，允许 unit="M" 或 unit="Y" 与非整数浮点值一起使用 (GH 47267)

  • 弃用了 display.column_space 全局配置选项 (GH 7576)

  • 弃用了 factorize(), Index.factorize() 和 ExtensionArray.factorize() 中的参数 na_sentinel；请改用 use_na_sentinel=True 表示 NaN 值使用哨兵值 -1，以及 use_na_sentinel=False（代替 na_sentinel=None）来编码 NaN 值 (GH 46910)

  • 弃用了 DataFrameGroupBy.transform() 在 UDF 返回 DataFrame 时不进行结果对齐的行为 (GH 45648)

  • 澄清了 to_datetime() 在带分隔符的日期无法根据指定的 dayfirst 参数解析时发出的警告 (GH 46210)

  • 当带分隔符的日期无法根据指定的 dayfirst 参数解析时，即使对于省略前导零的日期（例如 31/1/2001），to_datetime() 也会发出警告 (GH 47880)

  • 弃用了 Series 和 Resampler 的归约器（例如 min, max, sum, mean）在 dtype 为非数值且提供了 numeric_only=True 时引发 NotImplementedError 的行为；在未来的版本中，这将引发 TypeError (GH 47500)

  • 弃用了 Series.rank() 在 dtype 为非数值且提供了 numeric_only=True 时返回空结果的行为；在未来的版本中，这将引发 TypeError (GH 47500)

  • 弃用了 Series.mask(), Series.where(), DataFrame.mask() 和 DataFrame.where() 中的参数 errors，因为 errors 对这些方法没有影响 (GH 47728)

  • 弃用了 Rolling, Expanding 和 ExponentialMovingWindow 操作中的参数 *args 和 **kwargs。( GH 47836)

  • 弃用了 Categorical.set_ordered(), Categorical.as_ordered() 和 Categorical.as_unordered() 中的 inplace 关键字 (GH 37643)

  • 弃用了通过 cat.categories = ['a', 'b', 'c'] 设置分类变量类别的方式，请改用 Categorical.rename_categories() (GH 37643)

  • 弃用了 Series.to_excel() 和 DataFrame.to_excel() 中未使用的参数 encoding 和 verbose (GH 47912)

  • 弃用了 DataFrame.set_axis() 和 Series.set_axis() 中的 inplace 关键字，请改用 obj = obj.set_axis(..., copy=False) (GH 48130)

  • 弃用了对按长度为 1 的列表分组的 DataFrameGroupBy 或 SeriesGroupBy 进行迭代时，生成单个元素的情况；将改为返回长度为一的元组 (GH 42795)

  • 修复了 MultiIndex.lesort_depth() 作为公共方法弃用的警告消息，因为该消息之前错误地引用了 MultiIndex.is_lexsorted() (GH 38701)

  • 弃用了 DataFrame.plot() 和 Series.plot() 中的 sort_columns 参数 (GH 47563)。

  • 弃用了 DataFrame.to_stata() 和 read_stata() 中除第一个参数之外的所有位置参数，请改用关键字参数 (GH 48128)。

  • 弃用了 read_csv(), read_fwf(), read_table() 和 read_excel() 中的 mangle_dupe_cols 参数。该参数从未实现，取而代之将添加一个可以指定重命名模式的新参数 (GH 47718)

  • 弃用了在 Series.astype() 中允许 dtype='datetime64' 或 dtype=np.datetime64 的行为，请改用 “datetime64[ns]” (GH 47844)

性能改进#

错误修复#

分类#

  • Categorical.view() 不接受整数 dtypes 的错误 (GH 25464)

  • 当索引类别为整数 dtype 且索引包含 NaN 值时，CategoricalIndex.union() 错误地引发错误而不是转换为 float64 的错误 (GH 45362)

  • concat() 在连接两个（或更多）无序 CategoricalIndex 变量时，如果其类别是排列，则产生不正确的索引值的错误 (GH 24845)

日期时间类#

  • DataFrame.quantile() 在处理日期时间类 dtype 且没有行时，错误地返回 float64 dtype 而不是保留日期时间类 dtype 的错误 (GH 41544)

  • to_datetime() 在处理 np.str_ 对象序列时错误地引发错误的 Bug (GH 32264)

  • 在 Timestamp 构造中，当将日期时间组件作为位置参数传递，并将 tzinfo 作为关键字参数传递时，错误地引发了错误 (GH 31929)

  • 在 Index.astype() 中，当从对象 dtype 转换为 timedelta64[ns] dtype 时，错误地将 np.datetime64("NaT") 值转换为 np.timedelta64("NaT") 而不是引发错误的 Bug (GH 45722)

  • 在 SeriesGroupBy.value_counts() 的索引中，当传递分类列时，出现的错误 (GH 44324)

  • DatetimeIndex.tz_localize() 本地化到 UTC 时未能复制底层数据的 Bug (GH 46460)

  • DatetimeIndex.resolution() 错误地返回“day”而不是“nanosecond”的错误，针对纳秒级分辨率的索引 (GH 46903)

  • 在 Timestamp 中，当使用整数或浮点值以及 unit="Y" 或 unit="M" 时，结果略有错误 (GH 47266)

  • 在 DatetimeArray 构造中，当传递另一个 DatetimeArray 且 freq=None 时，错误地从给定数组推断频率的错误 (GH 47296)

  • 在 to_datetime() 中，即使 errors=coerce，如果行数超过 50 行，也会抛出 OutOfBoundsDatetime 的 Bug (GH 45319)

  • 将 DateOffset 添加到 Series 时，不添加 nanoseconds 字段的 Bug (GH 47856)

时间差#

  • astype_nansafe() astype(“timedelta64[ns]”) 在包含 np.nan 时失败的错误 (GH 45798)

  • 在构造 Timedelta 时，当传入 np.timedelta64 对象和 unit 时，有时会静默溢出并返回不正确结果，而不是引发 OutOfBoundsTimedelta 的错误 (GH 46827)

  • 在构造 Timedelta 时，当从带有 unit="W" 的大整数或浮点数构造时，静默溢出并返回不正确结果，而不是引发 OutOfBoundsTimedelta 的错误 (GH 47268)

时区#

  • 在 Timestamp 构造函数中，当传入 ZoneInfo tzinfo 对象时引发错误的 Bug (GH 46425)

数值#

  • 当对带有 dtype="boolean" 和 NA 的类数组执行操作时，错误地原地修改数组的 Bug (GH 45421)

  • 当可空类型没有 NA 值时，算术运算与不可空类型的相同运算不匹配的 Bug (GH 48223)

  • 在 floordiv 中，当除以 IntegerDtype 0 时，会返回 0 而不是 inf 的 Bug (GH 48223)

  • 在对带有 dtype="boolean" 的类数组进行除法、pow 和 mod 操作时，行为与相应的 np.bool_ 类型不一致的 Bug (GH 46063)

  • 将带有 IntegerDtype 或 FloatingDtype 的 Series 乘以带有 timedelta64[ns] dtype 的类数组时，错误地引发错误的 Bug (GH 45622)

  • 在 mean() 中，可选依赖项 bottleneck 导致精度损失与数组长度呈线性关系。已为 mean() 禁用 bottleneck，将损失改进为对数线性，但这可能导致性能下降。( GH 42878)

转换#

  • DataFrame.astype() 未保留子类的错误 (GH 40810)

  • 从包含浮点数的列表或浮点数dtype的ndarray-like（例如 dask.Array）以及整数dtype构造 Series 时出现错误，抛出异常而不是像处理 np.ndarray 那样进行类型转换 (GH 40110)

  • Float64Index.astype() 将其转换为无符号整数dtype时出现错误，错误地将其转换为 np.int64 dtype (GH 45309)

  • Series.astype() 和 DataFrame.astype() 将浮点数dtype转换为无符号整数dtype时出现错误，在存在负值的情况下未能引发异常 (GH 45151)

  • array() 在使用 FloatingDtype 且值中包含可转换为浮点数的字符串时，错误地引发异常 (GH 45424)

  • 比较字符串和 datetime64ns 对象时导致 OverflowError 异常的错误 (GH 45506)

  • 通用抽象dtypes的元类中的错误导致 DataFrame.apply() 和 Series.apply() 对内置函数 type 引发异常 (GH 46684)

  • DataFrame.to_records() 中的错误：如果索引是 MultiIndex，则返回不一致的 numpy 类型 (GH 47263)

  • DataFrame.to_dict() 在 orient="list" 或 orient="index" 模式下未能返回原生类型 (GH 46751)

  • DataFrame.apply() 中的错误：当应用于空 DataFrame 且 axis=1 时，返回 DataFrame 而不是 Series (GH 39111)

  • 从一个 不是 NumPy ndarray 但由所有 NumPy 无符号整数标量组成的 iterable 推断 dtype 时出现错误，未能推断出无符号整数dtype (GH 47294)

  • DataFrame.eval() 中的错误：当 pandas 对象（例如 'Timestamp'）作为列名时出现问题 (GH 44603)

字符串#

区间#

  • IntervalArray.__setitem__() 中的错误：当将 np.nan 设置到基于整数的数组中时，引发 ValueError 而不是 TypeError (GH 45484)

  • IntervalDtype 中的错误：当使用 datetime64[ns, tz] 作为 dtype 字符串时 (GH 46999)

索引#

  • DataFrame.iloc() 中的错误：当对仅包含一个 ExtensionDtype 列的 DataFrame 索引单行时，返回的是副本而非底层数据的视图 (GH 45241)

  • DataFrame.__getitem__() 中的错误：即使选择了唯一列，当 DataFrame 包含重复列时仍返回副本 (GH 45316, GH 41062)

  • Series.align() 中的错误：当两个 MultiIndex 的交集相同时，未能创建具有级别并集的 MultiIndex (GH 45224)

  • 将 NA 值（None 或 np.nan）设置到基于整数的 IntervalDtype 的 Series 中时出现错误，错误地将其转换为 object dtype 而不是基于浮点数的 IntervalDtype (GH 45568)

  • 索引时将值设置到 ExtensionDtype 列中出现错误，当使用 df.iloc[:, i] = values 且 values 具有与 df.iloc[:, i] 相同的 dtype 时，错误地插入了新数组而不是原地设置 (GH 33457)

  • Series.__setitem__() 中的错误：当使用非整数 Index 且使用整数键设置无法原地设置的值时，引发 ValueError 而不是转换为通用 dtype (GH 45070)

  • DataFrame.loc() 中的错误：当将值作为列表设置到 DataFrame 中时，未将 None 转换为 NA (GH 47987)

  • Series.__setitem__() 中的错误：当将不兼容的值设置到 PeriodDtype 或 IntervalDtype 的 Series 中时，使用布尔掩码索引时会引发异常，而使用其他等效索引器时则会强制转换；现在这些操作都一致地强制转换，包括 Series.mask() 和 Series.where() (GH 45768)

  • DataFrame.where() 中的错误：当存在多个日期时间类 dtype 的列时，未能将结果降级以与其他 dtype 保持一致 (GH 45837)

  • isin() 中的错误：当使用无符号整数 dtype 和没有 dtype 的列表状参数时，错误地向上转换为 float64 (GH 46485)

  • Series.loc.__setitem__() 和 Series.loc.__getitem__() 中的错误：当不使用 MultiIndex 但使用多个键时，未引发异常 (GH 13831)

  • Index.reindex() 中的错误：当指定了 level 但未提供 MultiIndex 时引发 AssertionError；现在 level 被忽略 (GH 35132)

  • 当设置的值对于 Series 的 dtype 来说太大时，未能强制转换为通用类型 (GH 26049, GH 32878) 中的错误

  • loc.__setitem__() 中的错误：将 range 键视为位置而非基于标签的键 (GH 45479)

  • DataFrame.__setitem__() 中的错误：当使用标量键和 DataFrame 作为值进行设置时，将扩展数组 dtypes 转换为 object (GH 46896)

  • Series.__setitem__() 中的错误：当将标量设置到可为空的 pandas dtype 时，如果标量无法（无损地）转换为可为空的类型，则不会引发 TypeError (GH 45404)

  • Series.__setitem__() 中的错误：当设置包含 NA 的 boolean dtype 值时，错误地引发异常而不是转换为 boolean dtype (GH 45462)

  • Series.loc() 中的错误：当 Index 不匹配时，布尔索引器包含 NA 导致引发异常 (GH 46551)

  • Series.__setitem__() 中的错误：将 NA 设置到数值型 dtype 的 Series 中时，会错误地向上转换为 object-dtype，而不是将值视为 np.nan (GH 44199)

  • DataFrame.loc() 中的错误：当将值设置到列中且右侧是字典时 (GH 47216)

  • Series.__setitem__() 中的错误：当使用 datetime64[ns] dtype、全为 False 的布尔掩码和不兼容的值时，错误地转换为 object 而不是保留 datetime64[ns] dtype (GH 45967)

  • Index.__getitem__() 中的错误：当索引器是来自包含 NA 的布尔 dtype 时，引发 ValueError (GH 45806)

  • Series.__setitem__() 中的错误：使用标量扩展 Series 时丢失精度 (GH 32346)

  • Series.mask() 中的错误：当 inplace=True 或使用小整数 dtypes 的布尔掩码设置值时，错误地引发异常 (GH 45750)

  • DataFrame.mask() 中的错误：当 inplace=True 且包含 ExtensionDtype 列时，错误地引发异常 (GH 45577)

  • 从具有 object-dtype 行索引且包含日期时间类值的 DataFrame 中获取列时出现错误：现在生成的 Series 会保留父 DataFrame 中精确的 object-dtype Index (GH 42950)

  • DataFrame.__getattribute__() 中的错误：如果列具有 "string" dtype，则引发 AttributeError (GH 46185)

  • DataFrame.compare() 中的错误：当比较扩展数组 dtype 和 numpy dtype 时，返回全为 NaN 的列 (GH 44014)

  • DataFrame.where() 中的错误：当使用 "boolean" 掩码处理 numpy dtype 时设置了错误的值 (GH 44014)

  • 对 DatetimeIndex 使用 np.str_ 键进行索引时错误地引发异常 (GH 45580)

  • CategoricalIndex.get_indexer() 中的错误：当索引包含 NaN 值时，导致目标中存在但索引中不存在的元素被映射到 NaN 元素的索引，而不是 -1 (GH 45361)

  • 当将大整数值设置到具有 float32 或 float16 dtype 的 Series 中时出现错误，错误地改变了这些值，而不是强制转换为 float64 dtype (GH 45844)

  • Series.asof() 和 DataFrame.asof() 中的错误：错误地将布尔型 dtype 结果转换为 float64 dtype (GH 16063)

  • NDFrame.xs()、DataFrame.iterrows()、DataFrame.loc() 和 DataFrame.iloc() 中的错误：并非总是传播元数据 (GH 28283)

  • DataFrame.sum() 中的错误：如果输入包含 NaNs，min_count 会改变 dtype (GH 46947)

  • IntervalTree 中的错误导致无限递归 (GH 46658)

  • PeriodIndex 中的错误：当索引到 NA 时引发 AttributeError，而不是将其替换为 NaT (GH 46673)

  • DataFrame.at() 中的错误：会允许修改多个列 (GH 48296)

缺失值#

多级索引#

I/O#

Period#

  • 从 PeriodArray 中减去 Period 返回错误结果，存在错误 (GH 45999)

  • Period.strftime() 和 PeriodIndex.strftime() 存在错误，指令 %l 和 %u 给出错误结果 (GH 46252)

  • 当将字符串传递给 Period 且微秒是 1000 的倍数时，推断出不正确的 freq，存在错误 (GH 46811)

  • 从 Timestamp 或 np.datetime64 对象构造 Period 时，如果对象具有非零纳秒且 freq="ns"，会错误地截断纳秒，存在错误 (GH 46811)

  • 将 np.timedelta64("NaT", "ns") 添加到具有类似 timedelta 的 freq 的 Period 时，错误地引发 IncompatibleFrequency 而不是返回 NaT，存在错误 (GH 47196)

  • 当 dtype.freq.n > 1 时，将整数数组添加到 PeriodDtype 数组时给出错误结果，存在错误 (GH 47209)

  • 当操作溢出时，从 PeriodDtype 数组中减去 Period 返回错误结果而不是引发 OverflowError，存在错误 (GH 47538)

绘图#

分组/重采样/滚动#

重塑#

稀疏#

扩展数组#

  • IntegerArray.searchsorted() 和 FloatingArray.searchsorted() 在对 np.nan 操作时返回不一致的结果，存在错误 (GH 45255)

样式器#

  • 尝试将样式函数应用于空的 DataFrame 子集时存在错误 (GH 45313)

  • CSSToExcelConverter 中存在错误，当未提供边框样式而只提供边框颜色时，导致 xlsxwriter 引擎出现 TypeError (GH 42276)

  • Styler.set_sticky() 中存在错误，导致在暗模式下出现白底白字 (GH 46984)

  • Styler.to_latex() 中存在错误，当 clines="all;data" 且 DataFrame 没有行时导致 UnboundLocalError。(GH 47203)

  • 当使用 xlsxwriter 引擎时，Styler.to_excel() 使用 vertical-align: middle; 存在错误 (GH 30107)

  • 将样式应用于具有布尔列标签的 DataFrame 时存在错误 (GH 47838)

元数据#

其他#

贡献者#

共有 271 人为本次发布贡献了补丁。名字旁边有“+”的人是首次贡献补丁。

  • Aadharsh Acharya +

  • Aadharsh-Acharya +

  • Aadhi Manivannan +

  • Adam Bowden

  • Aditya Agarwal +

  • Ahmed Ibrahim +

  • Alastair Porter +

  • Alex Povel +

  • Alex-Blade

  • Alexandra Sciocchetti +

  • AlonMenczer +

  • Andras Deak +

  • Andrew Hawyrluk

  • Andy Grigg +

  • Aneta Kahleová +

  • Anthony Givans +

  • Anton Shevtsov +

  • B. J. Potter +

  • BarkotBeyene +

  • Ben Beasley +

  • Ben Wozniak +

  • Bernhard Wagner +

  • Boris Rumyantsev

  • Brian Gollop +

  • CCXXXI +

  • Chandrasekaran Anirudh Bhardwaj +

  • Charles Blackmon-Luca +

  • Chris Moradi +

  • ChrisAlbertsen +

  • Compro Prasad +

  • DaPy15

  • Damian Barabonkov +

  • Daniel I +

  • Daniel Isaac +

  • Daniel Schmidt

  • Danil Iashchenko +

  • Dare Adewumi

  • Dennis Chukwunta +

  • Dennis J. Gray +

  • Derek Sharp +

  • Dhruv Samdani +

  • Dimitra Karadima +

  • Dmitry Savostyanov +

  • Dmytro Litvinov +

  • Do Young Kim +

  • Dries Schaumont +

  • Edward Huang +

  • Eirik +

  • Ekaterina +

  • Eli Dourado +

  • Ezra Brauner +

  • Fabian Gabel +

  • FactorizeD +

  • Fangchen Li

  • Francesco Romandini +

  • Greg Gandenberger +

  • Guo Ci +

  • Hiroaki Ogasawara

  • Hood Chatham +

  • Ian Alexander Joiner +

  • Irv Lustig

  • Ivan Ng +

  • JHM Darbyshire

  • JHM Darbyshire (MBP)

  • JHM Darbyshire (iMac)

  • JMBurley

  • Jack Goldsmith +

  • James Freeman +

  • James Lamb

  • James Moro +

  • Janosh Riebesell

  • Jarrod Millman

  • Jason Jia +

  • Jeff Reback

  • Jeremy Tuloup +

  • Johannes Mueller

  • John Bencina +

  • John Mantios +

  • John Zangwill

  • Jon Bramley +

  • Jonas Haag

  • Jordan Hicks

  • Joris Van den Bossche

  • Jose Ortiz +

  • JosephParampathu +

  • José Duarte

  • Julian Steger +

  • Kai Priester +

  • Kapil E. Iyer +

  • Karthik Velayutham +

  • Kashif Khan

  • Kazuki Igeta +

  • Kevin Jan Anker +

  • Kevin Sheppard

  • Khor Chean Wei

  • Kian Eliasi

  • Kian S +

  • Kim, KwonHyun +

  • Kinza-Raza +

  • Konjeti Maruthi +

  • Leonardus Chen

  • Linxiao Francis Cong +

  • Loïc Estève

  • LucasG0 +

  • Lucy Jiménez +

  • Luis Pinto

  • Luke Manley

  • Marc Garcia

  • Marco Edward Gorelli

  • Marco Gorelli

  • MarcoGorelli

  • Margarete Dippel +

  • Mariam-ke +

  • Martin Fleischmann

  • Marvin John Walter +

  • Marvin Walter +

  • Mateusz

  • Matilda M +

  • Matthew Roeschke

  • Matthias Bussonnier

  • MeeseeksMachine

  • Mehgarg +

  • Melissa Weber Mendonça +

  • Michael Milton +

  • Michael Wang

  • Mike McCarty +

  • Miloni Atal +

  • Mitlasóczki Bence +

  • Moritz Schreiber +

  • Morten Canth Hels +

  • Nick Crews +

  • NickFillot +

  • Nicolas Hug +

  • Nima Sarang

  • Noa Tamir +

  • Pandas Development Team

  • Parfait Gasana

  • Parthi +

  • Partho +

  • Patrick Hoefler

  • Peter

  • Peter Hawkins +

  • Philipp A

  • Philipp Schaefer +

  • Pierrot +

  • Pratik Patel +

  • Prithvijit

  • Purna Chandra Mansingh +

  • Radoslaw Lemiec +

  • RaphSku +

  • Reinert Huseby Karlsen +

  • Richard Shadrach

  • Richard Shadrach +

  • Robbie Palmer

  • Robert de Vries

  • Roger +

  • Roger Murray +

  • Ruizhe Deng +

  • SELEE +

  • Sachin Yadav +

  • Saiwing Yeung +

  • Sam Rao +

  • Sandro Casagrande +

  • Sebastiaan Vermeulen +

  • Shaghayegh +

  • Shantanu +

  • Shashank Shet +

  • Shawn Zhong +

  • Shuangchi He +

  • Simon Hawkins

  • Simon Knott +

  • Solomon Song +

  • Somtochi Umeh +

  • Stefan Krawczyk +

  • Stefanie Molin

  • Steffen Rehberg

  • Steven Bamford +

  • Steven Rotondo +

  • Steven Schaerer

  • Sylvain MARIE +

  • Sylvain Marié

  • Tarun Raghunandan Kaushik +

  • Taylor Packard +

  • Terji Petersen

  • Thierry Moisan

  • Thomas Grainger

  • Thomas Hunter +

  • Thomas Li

  • Tim McFarland +

  • Tim Swast

  • Tim Yang +

  • Tobias Pitters

  • Tom Aarsen +

  • Tom Augspurger

  • Torsten Wörtwein

  • TraverseTowner +

  • Tyler Reddy

  • Valentin Iovene

  • Varun Sharma +

  • Vasily Litvinov

  • Venaturum

  • Vinicius Akira Imaizumi +

  • Vladimir Fokow +

  • Wenjun Si

  • Will Lachance +

  • William Andrea

  • Wolfgang F. Riedl +

  • Xingrong Chen

  • Yago González

  • Yikun Jiang +

  • Yuanhao Geng

  • Yuval +

  • Zero

  • Zhengfei Wang +

  • abmyii

  • alexondor +

  • alm

  • andjhall +

  • anilbey +

  • arnaudlegout +

  • asv-bot +

  • ateki +

  • auderson +

  • bherwerth +

  • bicarlsen +

  • carbonleakage +

  • charles +

  • charlogazzo +

  • code-review-doctor +

  • dataxerik +

  • deponovo

  • dimitra-karadima +

  • dospix +

  • ehallam +

  • ehsan shirvanian +

  • ember91 +

  • eshirvana

  • fractionalhare +

  • gaotian98 +

  • gesoos

  • github-actions[bot]

  • gunghub +

  • hasan-yaman

  • iansheng +

  • iasoon +

  • jbrockmendel

  • joshuabello2550 +

  • jyuv +

  • kouya takahashi +

  • mariana-LJ +

  • matt +

  • mattB1989 +

  • nealxm +

  • partev

  • poloso +

  • realead

  • roib20 +

  • rtpsw

  • ryangilmour +

  • shourya5 +

  • srotondo +

  • stanleycai95 +

  • staticdev +

  • tehunter +

  • theidexisted +

  • tobias.pitters +

  • uncjackg +

  • vernetya

  • wany-oh +

  • wfr +

  • z3c0 +