延伸大Pandas#
虽然Pandas提供了一组丰富的方法、容器和数据类型,但您的需求可能无法完全满足。Pandas为推广Pandas提供了几个选择。
注册自定义访问器#
库可以使用装饰符 pandas.api.extensions.register_dataframe_accessor()
, pandas.api.extensions.register_series_accessor()
,以及 pandas.api.extensions.register_index_accessor()
,为Pandas对象添加额外的“命名空间”。所有这些都遵循一个类似的约定:您修饰一个类,提供要添加的属性的名称。班上的学生 __init__
方法获取要修饰的对象。例如:
@pd.api.extensions.register_dataframe_accessor("geo")
class GeoAccessor:
def __init__(self, pandas_obj):
self._validate(pandas_obj)
self._obj = pandas_obj
@staticmethod
def _validate(obj):
# verify there is a column latitude and a column longitude
if "latitude" not in obj.columns or "longitude" not in obj.columns:
raise AttributeError("Must have 'latitude' and 'longitude'.")
@property
def center(self):
# return the geographic center point of this DataFrame
lat = self._obj.latitude
lon = self._obj.longitude
return (float(lon.mean()), float(lat.mean()))
def plot(self):
# plot this array's data on a map, e.g., using Cartopy
pass
现在,用户可以使用 geo
命名空间:
>>> ds = pd.DataFrame(
... {"longitude": np.linspace(0, 10), "latitude": np.linspace(0, 20)}
... )
>>> ds.geo.center
(5.0, 10.0)
>>> ds.geo.plot()
# plots data on a map
这可能是一种扩展Pandas对象而不将其子类化的方便方法。如果您编写了一个自定义访问器,请发出一个Pull请求,将其添加到我们的 大Pandas生态系统 佩奇。
我们强烈建议您验证访问者的 __init__
。在我们的 GeoAccessor
,我们验证数据是否包含预期的列,引发 AttributeError
当验证失败时。为. Series
访问者,则应验证 dtype
如果访问器仅应用于某些数据类型。
扩展类型#
警告
这个 pandas.api.extensions.ExtensionDtype
和 pandas.api.extensions.ExtensionArray
API是新的和试验性的。它们可能会在没有警告的情况下在不同版本之间发生变化。
Pandas定义了用于实现数据类型和数组的接口,该接口 延伸 NumPy的类型系统。Pandas本身对NumPy中没有内置的一些类型使用扩展系统(分类、期间、间隔、带有时区的日期时间)。
库可以定义自定义数组和数据类型。当Pandas遇到这些物体时,它们将得到适当的处理(即不会转换为ndarray物体)。很多方法,比如 pandas.isna()
将调度到扩展类型的实现。
如果您正在构建实现该接口的库,请在 扩展模块数据类型 。
该接口由两个类组成。
ExtensionDtype
#
A pandas.api.extensions.ExtensionDtype
类似于 numpy.dtype
对象。它描述了数据类型。实现者负责一些独特的项目,如名称。
其中一个特别重要的项目是 type
财产。这应该是数据的标量类型的类。例如,如果要为IP地址数据编写扩展数组,则可能是 ipaddress.IPv4Address
。
请参阅 extension dtype source 用于接口定义。
pandas.api.extensions.ExtensionDtype
可以注册到Pandas,以允许通过字符串dtype名称进行创建。这允许实例化 Series
和 .astype()
使用注册的字符串名,例如 'category'
是已注册的字符串访问器 CategoricalDtype
。
请参阅 extension dtype dtypes 有关如何注册数据类型的更多信息。
ExtensionArray
#
这个类提供了所有类似数组的功能。ExtensionArray限制为1维。属性链接到ExtensionDtype。 dtype
属性。
Pandas对如何通过其 __new__
或 __init__
,并且对您存储数据的方式没有限制。我们确实要求您的阵列可以转换为NumPy阵列,即使这相对昂贵(因为 Categorical
)。
它们可以由无、一个或多个NumPy数组支持。例如, pandas.Categorical
是由两个数组支持的扩展数组,一个用于代码,一个用于类别。IPv6地址的阵列可以由具有两个字段的NumPy结构化阵列支持,一个用于低64位,一个用于高64位。或者,它们可能由某种其他存储类型支持,如Python列表。
请参阅 extension array source 用于接口定义。文档字符串和注释包含正确实现接口的指导。
ExtensionArray
操作员支持#
默认情况下,没有为类定义运算符 ExtensionArray
。有两种方法可以为您的扩展阵列提供操作员支持:
定义每个运算符
ExtensionArray
子类。使用Pandas中的运算符实现,该实现依赖于已在Extension数组的基础元素(标量)上定义的运算符。
备注
无论采用哪种方法,您都可能希望设置 __array_priority__
如果希望在涉及NumPy数组的二进制操作时调用您的实现。
对于第一种方法,您定义选定的运算符,例如, __add__
, __le__
等,您想要您的 ExtensionArray
要支持的子类。
第二种方法假设的底层元素(即标量类型) ExtensionArray
已经定义了各个运算符。换句话说,如果你的 ExtensionArray
已命名 MyExtensionArray
实现,以便每个元素都是类的一个实例 MyExtensionElement
,则如果运算符是为 MyExtensionElement
,第二种方法将自动定义运算符 MyExtensionArray
。
一堂混音课, ExtensionScalarOpsMixin
支持第二种方法。如果开发一个 ExtensionArray
子类,例如 MyExtensionArray
,可以简单地包括 ExtensionScalarOpsMixin
作为的父类 MyExtensionArray
,然后调用这些方法 _add_arithmetic_ops()
和/或 _add_comparison_ops()
将运算符连接到您的 MyExtensionArray
类,如下所示:
from pandas.api.extensions import ExtensionArray, ExtensionScalarOpsMixin
class MyExtensionArray(ExtensionArray, ExtensionScalarOpsMixin):
pass
MyExtensionArray._add_arithmetic_ops()
MyExtensionArray._add_comparison_ops()
备注
因为 pandas
自动逐个调用每个元素的基础运算符,这可能不如直接在 ExtensionArray
。
对于算术运算,此实现将尝试重建一个新的 ExtensionArray
与逐个元素运算的结果一致。该操作是否成功取决于操作是否返回对 ExtensionArray
。如果一个 ExtensionArray
无法重新构造,则返回包含标量的ndarray。
为了便于实施并与Pandas和NumPy ndarray之间的操作保持一致,我们建议 not 处理二进制操作中的序列和索引。相反,您应该检测到这些情况并返回 NotImplemented
。当Pandas遇到像这样的操作 op(Series, ExtensionArray)
,大Pandas将
unbox the array from the
Series
(Series.array
)打电话
result = op(values, ExtensionArray)
将结果重新装箱到
Series
NumPy泛函#
Series
机具 __array_ufunc__
。作为实施的一部分,Pandas打开了 ExtensionArray
从 Series
,应用ufunc,并在必要时重新装箱。
如果适用,我们强烈建议您实现 __array_ufunc__
in your extension array to avoid coercion to an ndarray. See the NumPy documentation 举个例子。
作为您实施的一部分,我们要求您在Pandas容器 (Series
, DataFrame
, Index
)被检测到 inputs
。如果其中任何一个都存在,您应该返回 NotImplemented
。Pandas将负责从容器中取消数组的装箱,并使用取消包装的输入重新调用ufunc。
测试扩展阵列#
我们提供了一套测试套件来确保您的扩展阵列满足预期行为。要使用测试套件,您必须提供几个pytest装置并从基本测试类继承。所需的夹具可在https://github.com/pandas-dev/pandas/blob/main/pandas/tests/extension/conftest.py.中找到
要使用测试,请将其派生为子类:
from pandas.tests.extension import base
class TestConstructors(base.BaseConstructorsTests):
pass
看见 https://github.com/pandas-dev/pandas/blob/main/pandas/tests/extension/base/__init__. Py,查看所有可用测试的列表。
与阿帕奇箭头的兼容性#
一个 ExtensionArray
可以支持转换为/从 pyarrow
数组(因此支持串行化为Parquet文件格式),通过实现两种方法: ExtensionArray.__arrow_array__
和 ExtensionDtype.__from_arrow__
。
这个 ExtensionArray.__arrow_array__
确保 pyarrow
知道如何将特定扩展数组转换为 pyarrow.Array
(在PandasDataFrame中作为列包含时也是如此):
class MyExtensionArray(ExtensionArray):
...
def __arrow_array__(self, type=None):
# convert the underlying array values to a pyarrow Array
import pyarrow
return pyarrow.array(..., type=type)
这个 ExtensionDtype.__from_arrow__
方法,然后控制从PyArrow到Pandas Extension数组的转换。此方法接收一个yarrow Array
或 ChunkedArray
作为唯一的论据,预计将返回适当的Pandas ExtensionArray
对于此数据类型和传递的值:
class ExtensionDtype:
...
def __from_arrow__(self, array: pyarrow.Array/ChunkedArray) -> ExtensionArray:
...
有关详细信息,请参阅 Arrow documentation 。
这些方法已经为Pandas中包含的可为空的整数和字符串扩展数据类型实现,并确保往返到yarrow和Parquet文件格式。
对Pandas数据结构进行子类化#
本节介绍如何子类化 pandas
数据结构,以满足更具体的需求。有两点需要注意:
重写构造函数属性。
定义原始属性
备注
你可以在这里找到一个很好的例子 geopandas 项目。
重写构造函数属性#
每个数据结构都有几个 构造函数属性 用于返回作为操作结果的新数据结构。通过重写这些属性,您可以通过 pandas
数据操纵。
在子类上可以定义3种可能的构造函数属性:
DataFrame/Series._constructor
:当操纵结果具有与原始尺寸相同的尺寸时使用。DataFrame._constructor_sliced
:用于以下情况DataFrame
(子)类操作结果应为Series
(子)类。Series._constructor_expanddim
:用于以下情况Series
(子)类操作结果应为DataFrame
(子)类,例如Series.to_frame()
。
下面的示例显示如何定义 SubclassedSeries
和 SubclassedDataFrame
重写构造函数属性。
class SubclassedSeries(pd.Series):
@property
def _constructor(self):
return SubclassedSeries
@property
def _constructor_expanddim(self):
return SubclassedDataFrame
class SubclassedDataFrame(pd.DataFrame):
@property
def _constructor(self):
return SubclassedDataFrame
@property
def _constructor_sliced(self):
return SubclassedSeries
>>> s = SubclassedSeries([1, 2, 3])
>>> type(s)
<class '__main__.SubclassedSeries'>
>>> to_framed = s.to_frame()
>>> type(to_framed)
<class '__main__.SubclassedDataFrame'>
>>> df = SubclassedDataFrame({"A": [1, 2, 3], "B": [4, 5, 6], "C": [7, 8, 9]})
>>> df
A B C
0 1 4 7
1 2 5 8
2 3 6 9
>>> type(df)
<class '__main__.SubclassedDataFrame'>
>>> sliced1 = df[["A", "B"]]
>>> sliced1
A B
0 1 4
1 2 5
2 3 6
>>> type(sliced1)
<class '__main__.SubclassedDataFrame'>
>>> sliced2 = df["A"]
>>> sliced2
0 1
1 2
2 3
Name: A, dtype: int64
>>> type(sliced2)
<class '__main__.SubclassedSeries'>
定义原始属性#
要使原始数据结构具有其他属性,您应该让 pandas
了解添加了哪些属性。 pandas
将未知属性映射到数据名称,覆盖 __getattribute__
。定义原始属性可以通过以下两种方式之一完成:
定义
_internal_names
和_internal_names_set
用于不会传递给操作结果的临时属性。定义
_metadata
对于将传递给操作结果的普通属性。
下面是一个定义两个原始属性的示例,“INTERNAL_CACHE”作为临时属性,而“ADDITED_PROPERTY”作为普通属性
class SubclassedDataFrame2(pd.DataFrame):
# temporary properties
_internal_names = pd.DataFrame._internal_names + ["internal_cache"]
_internal_names_set = set(_internal_names)
# normal properties
_metadata = ["added_property"]
@property
def _constructor(self):
return SubclassedDataFrame2
>>> df = SubclassedDataFrame2({"A": [1, 2, 3], "B": [4, 5, 6], "C": [7, 8, 9]})
>>> df
A B C
0 1 4 7
1 2 5 8
2 3 6 9
>>> df.internal_cache = "cached"
>>> df.added_property = "property"
>>> df.internal_cache
cached
>>> df.added_property
property
# properties defined in _internal_names is reset after manipulation
>>> df[["A", "B"]].internal_cache
AttributeError: 'SubclassedDataFrame2' object has no attribute 'internal_cache'
# properties defined in _metadata are retained
>>> df[["A", "B"]].added_property
property
打印后端#
从0.25开始,Pandas可以通过第三方绘图后端进行扩展。其主要思想是让用户选择一个不同于提供的基于Matplotlib的绘图后端。例如:
>>> pd.set_option("plotting.backend", "backend.module")
>>> pd.Series([1, 2, 3]).plot()
这或多或少相当于:
>>> import backend.module
>>> backend.module.plot(pd.Series([1, 2, 3]))
然后,后端模块可以使用其他可视化工具(Bokeh、Altair等)来生成剧情。
实现绘图后端的库应该使用 entry points 让Pandas可以发现它们的后端。关键是 "pandas_plotting_backends"
。例如,Pandas注册默认的“matplotlib”后台,如下所示。
# in setup.py
setup( # noqa: F821
...,
entry_points={
"pandas_plotting_backends": [
"matplotlib = pandas:plotting._matplotlib",
],
},
)
有关如何实施第三方绘图后端的更多信息,请访问 https://github.com/pandas-dev/pandas/blob/main/pandas/plotting/__init__. PY#L1.