Pandas 2.1中的新改进和新功能

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。

避免在字符串列中使用NumPy对象类型

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。

可以通过以下方式打开此选项：

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。

改进的PyArrow支持

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。

接下来查看一个示例：

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）

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。

弃用setitem类操作中的静默类型转换

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。

升级到新版本

可以使用以下命令安装新的pandas版本：

pip install -U pandas

或者：

mamba install -c conda-forge pandas=2.1

这将在用户的环境中安装新版本。

代码007普通

打赏 收藏 海报 链接