【Python】重磅新闻：Pandas 2.x 即将来袭

呆鸟说：根据 Pandas 开发团队发布的消息，3月以后，Pandas 就要进入 2.x 时代了，Python 数据分析师快来入坑吧！

主要改进

可配置选项，mode.dtype_backend 返回 pyarrow 数据类型
使用 pip 安装可选的支持库
Index 支持 Numpy 的 numeric 数据类型
使用 Copy_on_write（写入时复制）机制，提高写入性能

具体说明如下：

加入 pyarrow 数据类型

Pandas 2.x 最大的变化是加入了对 Apache Arrow 的支持。首先介绍一下什么是 Arrow。

Arrow 是 Apache 软件基金会支持的内存分析开发平台，它可以快速处理和移动大规模数据，为数据的扁平化和分层制定了标准化的，与语言无关的列式内存格式，以便在硬件层面上进行更高效的数据分析操作。

pyarrow 是为 Python 社区提供的 Arrow 支持库，与 NumPy 和 Pandas 的集成度非常高，从 2.0 版开始，Pandas 专门加入了对 pyarrow 数据类型的支持。

使用 pyarrow，可以让 pandas 处理数据的数据操作更快，内存使用效率更高，尤其是在处理超大数据集时，其优势更明显。

以下内容是 Pandas 2.0 开发公告介绍的对 arrow 的支持说明。

Pandas 之前在 read_csv()、read_excel()、read_json()、read_sql()、to_numeric() 等函数中使用 use_nullable_dtypes 关键字参数，让这些函数可以自动转换 nullable 数据类型，为了简化操作，Pandas 新增了一个 nullable_dtypes 选项，允许在没有明确指定时，把关键字参数在全局范围内设为 True。启用该选项的方式如下：

pd.options.mode.nullable_dtypes = True

这个选项仅用于函数的 use_nullable_dtypes 关键字。

Pandas 还新增了一个全局配置项：mode.dtype_backend，用于连接上述 read_csv() 等函数中的 use_nullable_dtypes=True 参数，以选择 nullable 数据类型。

DataFrame.convert_dtypes() 和 Series.convert_dtypes() 两种方法也可以使用mode.dtype_backend 这个选项。

mode.dtype_backend 的默认值为 pandas，返回的是 Numpy 支持的 nullable 数据类型。但现在也可以设置为 pyarrow，返回 pyarrow 支持的 nullable 数据类型，即 ArrowDtype。

示例代码如下：

In [13]: import io

In [14]: data = io.StringIO("""a,b,c,d,e,f,g,h,i
   ....:     1,2.5,True,a,,,,,
   ....:     3,4.5,False,b,6,7.5,True,a,
   ....: """)
   ....: 




    
In [15]: with pd.option_context("mode.dtype_backend", "pandas"):
   ....:     df = pd.read_csv(data, use_nullable_dtypes=True)
   ....: 

In [16]: df.dtypes
Out[16]: 
a             Int64
b           Float64
c           boolean
d    string[python]
e             Int64
f           Float64
g           boolean
h    string[python]
i             Int64
dtype: object

In [17]: data.seek(0)
Out[17]: 0

# 主要看下面这行代码
In [18]: with pd.option_context("mode.dtype_backend", "pyarrow"):
   ....:     df_pyarrow = pd.read_csv(data, use_nullable_dtypes=True, engine="pyarrow")
   ....: 

In [19]: df_pyarrow.dtypes
Out[19]: 
a     int64[pyarrow]
b    double[pyarrow]
c      bool[pyarrow]
d    string[pyarrow]
e     int64[pyarrow]
f    double[pyarrow]
g      bool[pyarrow]
h    string[pyarrow]
i      null[pyarrow]
dtype: object

使用 pip 安装可选的支持库

使用 pip 安装 pandas 时，可以指定要安装的可选支持库。

pip install "pandas[performance, aws]>=2.0.0"

Index 支持 Numpy 的 numeric 数据类型

Pandas 2.0 开始，可以在 Index 中使用更多的 numpy 数据类型。Pandas 之前只能使用 int64、 uint64 和 float64 等数据类型，从 2.0 开始，Pandas 支持所有 numpy 的 numeric 数据，如 int8、int16、int32、int64、uint8、uint16、uint32、uint64、float32、float64 等。

示例代码如下：

In [1]: pd.Index([1, 2, 3], dtype=np.int8)
Out[1]: Index([1, 2, 3], dtype='int8')

In [2]: pd.Index([1, 2


    
, 3], dtype=np.uint16)
Out[2]: Index([1, 2, 3], dtype='uint16')

In [3]: pd.Index([1, 2, 3], dtype=np.float32)
Out[3]: Index([1.0, 2.0, 3.0], dtype='float32')

提高写入性能

为以下方法新增了惰性复制机制，推迟复制，直到修改相关对象时才真正复制。启用 Copy-on-Write 机制之后，以下方法仅返回视图，这比常规的性能有了显著的提升。

DataFrame.reset_index() / Series.reset_index()
DataFrame.set_index()
DataFrame.set_axis() / Series.set_axis()
DataFrame.set_flags() / Series.set_flags()
DataFrame.rename_axis() / Series.rename_axis()
DataFrame.reindex() / Series.reindex()
DataFrame.reindex_like() / Series.reindex_like()
DataFrame.assign()
DataFrame.drop()
DataFrame.dropna() / Series.dropna()
DataFrame.select_dtypes()
DataFrame.align() / Series.align()
Series.to_frame()
DataFrame.rename() / Series.rename()
DataFrame.add_prefix() / Series.add_prefix()
DataFrame.add_suffix() / Series.add_suffix()
DataFrame.drop_duplicates() / Series.drop_duplicates()
DataFrame.droplevel() / Series.droplevel()
DataFrame.reorder_levels() / Series.reorder_levels()
DataFrame.between_time() / Series.between_time()
DataFrame.filter() / Series.filter()
DataFrame.head() / Series.head()
DataFrame.tail() / Series.tail()
DataFrame.isetitem()
DataFrame.pipe() / Series.pipe()
DataFrame.pop() / Series.pop()
DataFrame.replace() / Series.replace()
DataFrame.shift() / Series.shift()
DataFrame.sort_index() / Series.sort_index()
DataFrame.sort_values() / Series.sort_values()
DataFrame.squeeze() / Series.squeeze()
DataFrame.swapaxes()
DataFrame.swaplevel() / Series.swaplevel()
DataFrame.take() / Series.take()
DataFrame.to_timestamp() / Series.to_timestamp()
DataFrame.to_period() / Series.to_period()
DataFrame.truncate()
DataFrame.iterrows()
DataFrame.tz_convert() / Series.tz_localize()
DataFrame.fillna() / Series.fillna()
DataFrame.interpolate() / Series.interpolate()
DataFrame.ffill() / Series.ffill()
DataFrame.bfill() / Series.bfill()
DataFrame.where() / Series.where()
DataFrame.infer_objects() / Series.infer_objects()
DataFrame.astype() / Series.astype()
DataFrame.convert_dtypes() / Series.convert_dtypes()
concat()

以 Series 的形式处理 DataFrame 的单个列（例如，df["col"]）时，每次构建都返回一个新对象，启用 Copy-on-Write 时，不再多次返回相同的 Series 对象。
使用已有的 Series 构建 Series，且默认选项为 copy=False 时，Series 构造函数将使用惰性复制机制，即推迟复制，直到发生数据修改时才真正复制。
使用已有的 DataFrame 构建 DataFrame，且默认选项为 copy=False 时，DataFrame 构造函数也使用惰性复制机制。
使用 Series 字典构建 DataFrame，且默认选项为 copy=False 时，也使用惰性复制机制。
启用 Copy-on-Write 时，使用链式赋值设置值（例如，df["a"][1:3] = 0）将引发异常。在此模式下，链式赋值不能正常运行。
DataFrame.replace() 在 inplace=True 时，使用 Copy-on-Write。
DataFrame.transpose() 使用 Copy-on-Write。
算术运算，如, ser *= 2 也支持 Copy-on-Write。
启用本选项的方式如下：

# 方式一
pd.set_option("mode.copy_on_write", True)

# 方式二
pd.options.mode.copy_on_write = True

# 局部启用的方式
with pd.option_context("mode.copy_on_write", True):
    ...




    



    
往期精彩回顾




    



适合初学者入门人工智能的路线及资料下载
(图文+视频)机器学习入门系列下载
机器学习及深度学习笔记等资料打印



    
《统计学习方法》的代码复现专辑

机器学习交流qq群955171419，加入微信群请扫码