版本0.7.3(2012年4月12日)#
这是从0.7.2发布的一个小版本，修复了许多小错误，并添加了许多不错的新功能。还有几个API更改需要注意；这些更改应该不会影响很多用户，我们倾向于将它们称为“错误修复”，尽管它们确实构成了行为上的更改。请参阅 full release notes 或在GitHub上的问题跟踪器上查看完整的列表。
新功能#
新的 fixed width file reader ，
read_fwf新的 scatter_matrix 用于制作散点图矩阵的函数
from pandas.tools.plotting import scatter_matrix
scatter_matrix(df, alpha=0.2) # noqa F821
添加
stacked系列和DataFrame的参数plot一种新的生产方法 stacked bar plots 。
df.plot(kind="bar", stacked=True) # noqa F821
df.plot(kind="barh", stacked=True) # noqa F821
添加对数x和y scaling options 至
DataFrame.plot和Series.plot添加
kurt计算峰度的级数和数据框架方法
NA布尔比较API更改#
恢复了对NA值(通常表示为 NaN 或 None )在非数字系列中处理：
In [1]: series = pd.Series(["Steve", np.nan, "Joe"])
In [2]: series == "Steve"
Out[2]:
0 True
1 False
2 False
Length: 3, dtype: bool
In [3]: series != "Steve"
Out[3]:
0 False
1 True
2 True
Length: 3, dtype: bool
相比之下，NA/NaN将始终作为 False 除了用 != 这就是 True 。 慎重其事 在NA数据存在的情况下，使用布尔运算，特别是求反运算。如果您担心这一点，您可能希望将显式NA过滤器添加到布尔数组操作中：
In [4]: mask = series == "Steve"
In [5]: series[mask & series.notnull()]
Out[5]:
0 Steve
Length: 1, dtype: object
虽然在比较中传播NA对一些用户来说似乎是正确的行为(您可以基于纯粹的技术理由认为这是正确的做法)，但评估表明，在任何地方传播NA，包括在数字数组中，都会给用户带来大量问题。因此，采取了“实用胜过纯洁”的方法。这个问题可能会在未来的某个时候被重新讨论。
其他API更改#
当呼叫时 apply 在分组的Series上，返回值也将是Series，以便与 groupby DataFrame的行为：
In [6]: df = pd.DataFrame(
...: {
...: "A": ["foo", "bar", "foo", "bar", "foo", "bar", "foo", "foo"],
...: "B": ["one", "one", "two", "three", "two", "two", "one", "three"],
...: "C": np.random.randn(8),
...: "D": np.random.randn(8),
...: }
...: )
...:
In [7]: df
Out[7]:
A B C D
0 foo one 0.469112 -0.861849
1 bar one -0.282863 -2.104569
2 foo two -1.509059 -0.494929
3 bar three -1.135632 1.071804
4 foo two 1.212112 0.721555
5 bar two -0.173215 -0.706771
6 foo one 0.119209 -1.039575
7 foo three -1.044236 0.271860
[8 rows x 4 columns]
In [8]: grouped = df.groupby("A")["C"]
In [9]: grouped.describe()
Out[9]:
count mean std min 25% 50% 75% max
A
bar 3.0 -0.530570 0.526860 -1.135632 -0.709248 -0.282863 -0.228039 -0.173215
foo 5.0 -0.150572 1.113308 -1.509059 -1.044236 0.119209 0.469112 1.212112
[2 rows x 8 columns]
In [10]: grouped.apply(lambda x: x.sort_values()[-2:]) # top 2 values
Out[10]:
A
bar 1 -0.282863
5 -0.173215
foo 0 0.469112
4 1.212112
Name: C, Length: 4, dtype: float64
贡献者#
共有15人为此次发布贡献了补丁。名字中带有“+”的人第一次贡献了一个补丁。
Abraham Flaxman +
Adam Klein
Andreas H. +
Chang She
Dieter Vandenbussche
Jacques Kvam +
K.-Michael Aye +
Kamil Kisiel +
Martin Blais +
Skipper Seabold
Thomas Kluyver
Wes McKinney
Wouter Overmeire
Yaroslav Halchenko
lgautier +