大家好,Pandas 2.1于2023年8月30日发布,跟随本文一起看看这个版本引入了哪些新内容,以及它如何帮助用户改进Pandas的工作负载,包含了一系列改进和一组新的弃用功能。
Pandas 2.1在Pandas 2.0中引入的PyArrow集成基础上进行了大量改进。本文主要关注了对新功能的支持,这些新功能有望在Pandas 3.0中成为默认功能,下面将详细介绍最重要的改进。
pandas
中的一个主要问题是低效的字符串表示,Pandas团队花了相当长的时间研究了这个问题。第一个基于PyArrow的字符串dtype
在pandas 1.3
中可用,它有潜力将内存使用量减少约70%并提高性能。
Pandas团队决定引入一个新的配置选项,将所有字符串列存储在PyArrow数组中,不再需要担心转换字符串列,它会自动工作。
pd.options.future.infer_string = True
这个行为将在pandas 3.0
中成为默认行为,这意味着字符串列将始终由PyArrow支持,必须安装PyArrow才能使用此选项。
PyArrow与NumPy对象dtype
有不同的行为,可能会让人难以详细理解。Pandas实现了用于此选项的字符串dtype
,以与NumPy的语义兼容。它的行为与NumPy对象列完全相同。
设计者在pandas 2.0
中引入了基于PyArrow的DataFrame,其过去几个月的主要目标之一是改进pandas
内部的集成。他们的目标是尽可能简化从基于NumPy的DataFrame切换的过程,着重解决了修复性能瓶颈的问题,因为这些问题曾经导致意料之外的减速。
import pandas as pd
import numpy as np
df = pd.DataFrame(
{
"foo": np.random.randint(1, 10, (1_000_000, )),
"bar": np.random.randint(1, 100, (1_000_000,)),
}, dtype="int64[pyarrow]"
)
grouped = df.groupby("foo")
本文的DataFrame有100万行和10个组,现在来比较一下pandas 2.0.3
和pandas 2.1
的性能:
# pandas 2.0.3
10.6 ms ± 72.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
# pandas 2.1.0
1.91 ms ± 3.16 µs per loop (mean ± std. dev. of 7 runs, 1,000 loops each)
这个特定的例子在新版本上快了5倍,merge
是另一个常用的函数,现在速度会更快。
写入时复制(Copy-on-Write)最初在pandas 1.5.0
中引入,并预计将成为pandas 3.0
的默认行为,写入时复制已经在pandas 2.0.x
上提供了良好的体验。Pandas团队主要专注于修复已知的错误并提高其运行速度,建议在生产环境中使用此模式,现在已经可以看到写入时复制可以将实际的工作流程性能提高50%以上。
一直以来,如果将不兼容的值设置到pandas
的列中,pandas
会默默地更改该列的数据类型。接下来查看一个示例:
ser = pd.Series([1, 2, 3])
0 1
1 2
2 3
dtype: int64
本示例有一个包含整数的系列,结果将是整数数据类型。现在将字母"a"
设置到第二行中:
ser.iloc[1] = "a"
0 1
1 a
2 3
dtype: object
这会将Series的数据类型更改为object,
Object
是唯一可以容纳整数和字符串的数据类型,这对许多用户来说是一个很大的问题。Object
列会占用大量内存,导致计算无法正常进行、性能下降等许多问题。为了解决这些问题,它还在内部还添加了很多特殊处理,在过去,DataFrame中的静默数据类型更改带来了很大的困扰。现在这种行为已被弃用,并将引发FutureWarning
:
FutureWarning: Setting an item of incompatible dtype is deprecated and will raise in a future
error of pandas. Value 'a' has dtype incompatible with int64, please explicitly cast to a
compatible dtype first.
ser.iloc[1] = "a"
类似本文示例的操作将在pandas 3.0
中引发错误,DataFrame的数据类型在不同操作之间将保持一致。当想要更改数据类型时,则必须明确指定,这会增加一些代码量,但对于后续开发人员来说更容易理解。这个变化会影响所有的数据类型,例如将浮点值设置到整数列中也会引发异常。
pip install -U pandas
或者:
mamba install -c conda-forge pandas=2.1
原文地址:https://blog.csdn.net/csdn1561168266/article/details/133420745
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.7code.cn/show_41146.html
如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱:suwngjj01@126.com进行投诉反馈,一经查实,立即删除!