常见问题 (FAQ)#
DataFrame 内存使用#
DataFrame 的内存使用情况（包括索引）在调用 info() 时显示。一个配置选项 ``display.memory_usage``（参见 选项列表），指定在调用 info() 方法时是否显示 DataFrame 的内存使用情况。
例如，调用 info() 时，下面 DataFrame 的内存使用情况会显示出来：
In [1]: dtypes = [
...: "int64",
...: "float64",
...: "datetime64[ns]",
...: "timedelta64[ns]",
...: "complex128",
...: "object",
...: "bool",
...: ]
...:
In [2]: n = 5000
In [3]: data = {t: np.random.randint(100, size=n).astype(t) for t in dtypes}
In [4]: df = pd.DataFrame(data)
In [5]: df["categorical"] = df["object"].astype("category")
In [6]: df.info()
<class 'pandas.DataFrame'>
RangeIndex: 5000 entries, 0 to 4999
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 int64 5000 non-null int64
1 float64 5000 non-null float64
2 datetime64[ns] 5000 non-null datetime64[ns]
3 timedelta64[ns] 5000 non-null timedelta64[ns]
4 complex128 5000 non-null complex128
5 object 5000 non-null object
6 bool 5000 non-null bool
7 categorical 5000 non-null category
dtypes: bool(1), category(1), complex128(1), datetime64[ns](1), float64(1), int64(1), object(1), timedelta64[ns](1)
memory usage: 284.1+ KB
+ 符号表示实际内存使用量可能会更高，因为 pandas 不计算 dtype=object 列中值使用的内存。
传递 memory_usage='deep' 将启用更准确的内存使用报告，考虑到包含对象的全部使用情况。这是可选的，因为进行这种更深层次的内省可能会很昂贵。
In [7]: df.info(memory_usage="deep")
<class 'pandas.DataFrame'>
RangeIndex: 5000 entries, 0 to 4999
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 int64 5000 non-null int64
1 float64 5000 non-null float64
2 datetime64[ns] 5000 non-null datetime64[ns]
3 timedelta64[ns] 5000 non-null timedelta64[ns]
4 complex128 5000 non-null complex128
5 object 5000 non-null object
6 bool 5000 non-null bool
7 categorical 5000 non-null category
dtypes: bool(1), category(1), complex128(1), datetime64[ns](1), float64(1), int64(1), object(1), timedelta64[ns](1)
memory usage: 420.6 KB
默认情况下，显示选项设置为 True ，但可以通过在调用 info() 时传递 memory_usage 参数来显式覆盖。
每个列的内存使用情况可以通过调用 memory_usage() 方法找到。这将返回一个 Series ，其索引由列名表示，每个列的内存使用情况以字节显示。对于上述的 DataFrame ，每个列和总内存使用情况可以通过 memory_usage() 方法找到：
In [8]: df.memory_usage()
Out[8]:
Index 128
int64 40000
float64 40000
datetime64[ns] 40000
timedelta64[ns] 40000
complex128 80000
object 40000
bool 5000
categorical 5800
dtype: int64
# total memory usage of dataframe
In [9]: df.memory_usage().sum()
Out[9]: 290928
默认情况下，DataFrame 索引的内存使用情况会显示在返回的 Series 中，可以通过传递 index=False 参数来抑制索引的内存使用情况：
In [10]: df.memory_usage(index=False)
Out[10]:
int64 40000
float64 40000
datetime64[ns] 40000
timedelta64[ns] 40000
complex128 80000
object 40000
bool 5000
categorical 5800
dtype: int64
由 info() 方法显示的内存使用情况利用了 memory_usage() 方法来确定 DataFrame 的内存使用情况，同时以人类可读的单位格式化输出（以2为基数的表示；即1KB = 1024字节）。
另请参阅 分类内存使用。
在 pandas 中使用 if/truth 语句#
pandas 遵循 NumPy 的惯例，当你尝试将某些东西转换为 bool 时会引发一个错误。这发生在 if 语句中或使用布尔运算时：and、or 和 not。不清楚以下代码的结果应该是什么：
>>> if pd.Series([False, True, False]):
... pass
因为它不是零长度，所以应该是 True，还是因为有 False 值而应该是 False？这并不清楚，因此，pandas 抛出了一个 ValueError：
In [11]: if pd.Series([False, True, False]):
....: print("I was true")
....:
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-11-5c782b38cd2f> in ?()
----> 1 if pd.Series([False, True, False]):
2 print("I was true")
/home/pandas/pandas/core/generic.py in ?(self)
1494 @final
1495 def __bool__(self) -> NoReturn:
-> 1496 raise ValueError(
1497 f"The truth value of a {type(self).__name__} is ambiguous. "
1498 "Use a.empty, a.bool(), a.item(), a.any() or a.all()."
1499 )
ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
你需要明确选择对 DataFrame 做什么，例如使用 any()、all() 或 empty()。或者，你可能想比较 pandas 对象是否为 None：
In [12]: if pd.Series([False, True, False]) is not None:
....: print("I was not None")
....:
I was not None
下面是如何检查是否有任何值为 True：
In [13]: if pd.Series([False, True, False]).any():
....: print("I am any")
....:
I am any
位布尔#
像 == 和 != 这样的按位布尔运算符返回一个布尔 Series，当与标量比较时，它会执行元素级的比较。
In [14]: s = pd.Series(range(5))
In [15]: s == 4
Out[15]:
0 False
1 False
2 False
3 False
4 True
dtype: bool
更多示例请参见 布尔比较。
使用 in 运算符#
在 Series 上使用 Python 的 in 运算符测试的是在 索引 中的成员资格，而不是在值中的成员资格。
In [16]: s = pd.Series(range(5), index=list("abcde"))
In [17]: 2 in s
Out[17]: False
In [18]: 'b' in s
Out[18]: True
如果这种行为令人惊讶，请记住，在 Python 字典上使用 in 是测试键，而不是值，而 Series 类似于字典。要测试值中的成员资格，请使用方法 isin()：
In [19]: s.isin([2])
Out[19]:
a False
b False
c True
d False
e False
dtype: bool
In [20]: s.isin([2]).any()
Out[20]: True
对于 DataFrame ，同样地，in 应用于列轴，测试列名是否在列名列表中。
使用用户定义函数 (UDF) 方法进行变异#
本节适用于接受UDF的pandas方法。特别是方法 DataFrame.apply()、DataFrame.aggregate()、DataFrame.transform() 和 DataFrame.filter()。
在编程中有一个通用规则，即不应在迭代容器时对其进行变异。变异会使迭代器失效，导致意外行为。考虑以下示例：
In [21]: values = [0, 1, 2, 3, 4, 5]
In [22]: n_removed = 0
In [23]: for k, value in enumerate(values):
....: idx = k - n_removed
....: if value % 2 == 1:
....: del values[idx]
....: n_removed += 1
....: else:
....: values[idx] = value + 1
....:
In [24]: values
Out[24]: [1, 4, 5]
人们可能期望结果会是 [1, 3, 5]。当使用一个接受UDF的pandas方法时，内部pandas通常会迭代 DataFrame 或其他pandas对象。因此，如果UDF突变（改变）了 DataFrame，可能会出现意外行为。
这里是一个类似的例子，使用了 DataFrame.apply():
In [25]: def f(s):
....: s.pop("a")
....: return s
....:
In [26]: df = pd.DataFrame({"a": [1, 2, 3], "b": [4, 5, 6]})
In [27]: df.apply(f, axis="columns")
---------------------------------------------------------------------------
KeyError Traceback (most recent call last)
File /home/pandas/pandas/core/indexes/base.py:3578, in Index.get_loc(self, key)
3577 try:
-> 3578 return self._engine.get_loc(casted_key)
3579 except KeyError as err:
File index.pyx:168, in pandas._libs.index.IndexEngine.get_loc()
File index.pyx:197, in pandas._libs.index.IndexEngine.get_loc()
File pandas/_libs/hashtable_class_helper.pxi:7668, in pandas._libs.hashtable.PyObjectHashTable.get_item()
File pandas/_libs/hashtable_class_helper.pxi:7676, in pandas._libs.hashtable.PyObjectHashTable.get_item()
KeyError: 'a'
The above exception was the direct cause of the following exception:
KeyError Traceback (most recent call last)
Cell In[27], line 1
----> 1 df.apply(f, axis="columns")
File /home/pandas/pandas/core/frame.py:10389, in DataFrame.apply(self, func, axis, raw, result_type, args, by_row, engine, engine_kwargs, **kwargs)
10375 from pandas.core.apply import frame_apply
10377 op = frame_apply(
10378 self,
10379 func=func,
(...)
10387 kwargs=kwargs,
10388 )
> 10389 return op.apply().__finalize__(self, method="apply")
File /home/pandas/pandas/core/apply.py:910, in FrameApply.apply(self)
907 elif self.raw:
908 return self.apply_raw(engine=self.engine, engine_kwargs=self.engine_kwargs)
--> 910 return self.apply_standard()
File /home/pandas/pandas/core/apply.py:1061, in FrameApply.apply_standard(self)
1059 def apply_standard(self):
1060 if self.engine == "python":
-> 1061 results, res_index = self.apply_series_generator()
1062 else:
1063 results, res_index = self.apply_series_numba()
File /home/pandas/pandas/core/apply.py:1077, in FrameApply.apply_series_generator(self)
1074 results = {}
1076 for i, v in enumerate(series_gen):
-> 1077 results[i] = self.func(v, *self.args, **self.kwargs)
1078 if isinstance(results[i], ABCSeries):
1079 # If we have a view on v, we need to make a copy because
1080 # series_generator will swap out the underlying data
1081 results[i] = results[i].copy(deep=False)
Cell In[25], line 2, in f(s)
1 def f(s):
----> 2 s.pop("a")
3 return s
File /home/pandas/pandas/core/series.py:5086, in Series.pop(self, item)
5055 def pop(self, item: Hashable) -> Any:
5056 """
5057 Return item and drops from series. Raise KeyError if not found.
5058
(...)
5084 dtype: int64
5085 """
-> 5086 return super().pop(item=item)
File /home/pandas/pandas/core/generic.py:835, in NDFrame.pop(self, item)
834 def pop(self, item: Hashable) -> Series | Any:
--> 835 result = self[item]
836 del self[item]
838 return result
File /home/pandas/pandas/core/series.py:903, in Series.__getitem__(self, key)
898 key = unpack_1tuple(key)
900 elif key_is_scalar:
901 # Note: GH#50617 in 3.0 we changed int key to always be treated as
902 # a label, matching DataFrame behavior.
--> 903 return self._get_value(key)
905 # Convert generator to list before going through hashable part
906 # (We will iterate through the generator there to check for slices)
907 if is_iterator(key):
File /home/pandas/pandas/core/series.py:990, in Series._get_value(self, label, takeable)
987 return self._values[label]
989 # Similar to Index.get_value, but we do not fall back to positional
--> 990 loc = self.index.get_loc(label)
992 if is_integer(loc):
993 return self._values[loc]
File /home/pandas/pandas/core/indexes/base.py:3585, in Index.get_loc(self, key)
3580 if isinstance(casted_key, slice) or (
3581 isinstance(casted_key, abc.Iterable)
3582 and any(isinstance(x, slice) for x in casted_key)
3583 ):
3584 raise InvalidIndexError(key) from err
-> 3585 raise KeyError(key) from err
3586 except TypeError:
3587 # If we have a listlike key, _check_indexing_error will raise
3588 # InvalidIndexError. Otherwise we fall through and re-raise
3589 # the TypeError.
3590 self._check_indexing_error(key)
KeyError: 'a'
要解决这个问题，可以制作一个副本，这样突变就不会应用于正在迭代的容器。
In [28]: values = [0, 1, 2, 3, 4, 5]
In [29]: n_removed = 0
In [30]: for k, value in enumerate(values.copy()):
....: idx = k - n_removed
....: if value % 2 == 1:
....: del values[idx]
....: n_removed += 1
....: else:
....: values[idx] = value + 1
....:
In [31]: values
Out[31]: [1, 3, 5]
In [32]: def f(s):
....: s = s.copy()
....: s.pop("a")
....: return s
....:
In [33]: df = pd.DataFrame({"a": [1, 2, 3], 'b': [4, 5, 6]})
In [34]: df.apply(f, axis="columns")
Out[34]:
b
0 4
1 5
2 6
NumPy 类型的缺失值表示#
np.nan 作为 NumPy 类型的 NA 表示#
由于NumPy和Python中从一开始就缺乏对 NA``（缺失）的支持，``NA 可以用以下方式表示：
一个 掩码数组 解决方案：一个数据数组和一个布尔值数组，指示一个值是否存在或缺失。
使用一个特殊的哨兵值、位模式或一组哨兵值来表示跨数据类型的
NA。
特殊值 np.nan (Not-A-Number) 被选为 NumPy 类型的 NA 值，并且有一些 API 函数如 DataFrame.isna() 和 DataFrame.notna() 可以在不同的数据类型中用于检测 NA 值。然而，这种选择的一个缺点是将缺失的整数数据强制转换为浮点类型，如 对整数 NA 的支持 所示。
NA 类型提升为 NumPy 类型#
当通过 reindex() 或其他方式将 NA 引入现有的 Series 或 DataFrame 时，布尔和整数类型将被提升为不同的 dtype 以存储 NA。提升总结在此表中：
Typeclass |
用于存储 NAs 的 dtype 推广 |
|---|---|
|
no change |
|
no change |
|
转换为 |
|
转换为 |
对整数 NA 的支持#
在没有从底层内置高性能 NA 支持的情况下，主要受害者是无法在整数数组中表示 NAs。例如：
In [35]: s = pd.Series([1, 2, 3, 4, 5], index=list("abcde"))
In [36]: s
Out[36]:
a 1
b 2
c 3
d 4
e 5
dtype: int64
In [37]: s.dtype
Out[37]: dtype('int64')
In [38]: s2 = s.reindex(["a", "b", "c", "f", "u"])
In [39]: s2
Out[39]:
a 1.0
b 2.0
c 3.0
f NaN
u NaN
dtype: float64
In [40]: s2.dtype
Out[40]: dtype('float64')
这种权衡主要是出于内存和性能的考虑，同时也是为了使生成的 Series 继续保持“数值”特性。
如果你需要表示可能有缺失值的整数，请使用 pandas 或 pyarrow 提供的可空整数扩展数据类型之一。
In [41]: s_int = pd.Series([1, 2, 3, 4, 5], index=list("abcde"), dtype=pd.Int64Dtype())
In [42]: s_int
Out[42]:
a 1
b 2
c 3
d 4
e 5
dtype: Int64
In [43]: s_int.dtype
Out[43]: Int64Dtype()
In [44]: s2_int = s_int.reindex(["a", "b", "c", "f", "u"])
In [45]: s2_int
Out[45]:
a 1
b 2
c 3
f <NA>
u <NA>
dtype: Int64
In [46]: s2_int.dtype
Out[46]: Int64Dtype()
In [47]: s_int_pa = pd.Series([1, 2, None], dtype="int64[pyarrow]")
In [48]: s_int_pa
Out[48]:
0 1
1 2
2 <NA>
dtype: int64[pyarrow]
更多信息请参见 可空整数数据类型 和 PyArrow 功能。
为什么不把 NumPy 做成像 R 那样？#
许多人建议 NumPy 应该简单地模仿统计编程语言 R 中存在的 NA 支持。部分原因是 NumPy 类型层次结构。
相比之下，R语言只有少数几种内置数据类型：integer、numeric``（浮点数）、``character 和 boolean。NA 类型是通过为每种类型保留特殊的位模式来实现的，用作缺失值。虽然使用完整的NumPy类型层次结构来实现这一点是可能的，但这将是一个更大的权衡（尤其是对于8位和16位数据类型）和实现工作。
然而，R NA 语义现在可以通过使用掩码的 NumPy 类型（如 Int64Dtype）或 PyArrow 类型（ArrowDtype）来实现。
与 NumPy 的区别#
对于 Series 和 DataFrame 对象，var() 通过 N-1 进行归一化以产生 总体方差的无偏估计，而 NumPy 的 numpy.var() 通过 N 进行归一化，这测量的是样本的方差。请注意，cov() 在 pandas 和 NumPy 中都通过 N-1 进行归一化。
线程安全#
pandas 不是 100% 线程安全的。已知的问题与 copy() 方法有关。如果你在线程之间大量复制 DataFrame 对象，我们建议在发生数据复制的线程中持有锁。
更多信息请参见 这个链接。
字节顺序问题#
偶尔你可能需要处理在不同字节顺序的机器上创建的数据，而这些数据在你运行的 Python 环境中使用。这个问题的常见症状是类似以下的错误:
Traceback
...
ValueError: Big-endian buffer not supported on little-endian compiler
要处理这个问题，你应该在将底层 NumPy 数组传递给 Series 或 DataFrame 构造函数之前，将其转换为本地系统字节顺序，使用类似以下的方法：
In [49]: x = np.array(list(range(10)), ">i4") # big endian
In [50]: newx = x.byteswap().view(x.dtype.newbyteorder()) # force native byteorder
In [51]: s = pd.Series(newx)
更多详情请参见 NumPy 关于字节顺序的文档。