0.21.0版(2017年10月27日)#

这是从0.20.3开始的一个主要版本，包括许多API更改、弃用、新功能、增强功能和性能改进，以及大量的错误修复。我们建议所有用户升级到此版本。

亮点包括：

  • 与 Apache Parquet ，包括一个新的顶层 read_parquet() 函数和 DataFrame.to_parquet() 方法，请参见 here 。

  • 面向新用户 pandas.api.types.CategoricalDtype 有关独立于数据指定类别的信息，请参见 here 。

  • 的行为 sum and prod on all-NaN Series/DataFrames is now consistent and no longer depends on whether bottleneck 已安装，并且 sum 和 prod 在空系列上，现在返回NaN而不是0，请参见 here 。

  • PyPy的兼容性修复，请参见 here 。

  • 添加到 drop ， reindex 和 rename API以使它们更一致，请参见 here 。

  • 新方法的添加 DataFrame.infer_objects (请参阅 here )和 GroupBy.pipe (请参阅 here )。

  • 不建议使用缺少一个或多个标签的标签列表进行索引，这将在将来的版本中引发KeyError，请参见 here 。

检查 API Changes 和 deprecations 在更新之前。

新功能#

与ApacheParquet文件格式集成#

Integration with Apache Parquet, including a new top-level read_parquet() and DataFrame.to_parquet() method, see here (GH15838, GH17438).

Apache Parquet 提供一种跨语言的二进制文件格式，用于高效地读写数据帧。拼花被设计成忠实地序列化和反序列化 DataFrame S，支持所有Pandas数据类型，包括扩展数据类型，如带时区的DateTime。

此功能取决于 pyarrow 或 fastparquet 类库。有关更多详细信息，请参阅 the IO docs on Parquet 。

方法 infer_objects 类型转换#

这个 DataFrame.infer_objects() 和 Series.infer_objects() 添加了对对象列执行数据类型推断的方法，取代了已弃用的 convert_objects 方法。请参阅文档 here 了解更多详细信息。 (GH11221 )

此方法仅对对象列执行软转换，将Python对象转换为本机类型，但不执行任何强制转换。例如：

In [1]: df = pd.DataFrame({'A': [1, 2, 3],
   ...:                    'B': np.array([1, 2, 3], dtype='object'),
   ...:                    'C': ['1', '2', '3']})
   ...: 

In [2]: df.dtypes
Out[2]: 
A     int64
B    object
C    object
Length: 3, dtype: object

In [3]: df.infer_objects().dtypes
Out[3]: 
A     int64
B     int64
C    object
Length: 3, dtype: object

请注意，该栏 'C' 未转换-仅标量数值类型将转换为新类型。其他类型的转换应使用 to_numeric() 函数(或 to_datetime() ， to_timedelta() )。

In [4]: df = df.infer_objects()

In [5]: df['C'] = pd.to_numeric(df['C'], errors='coerce')

In [6]: df.dtypes
Out[6]: 
A    int64
B    int64
C    int64
Length: 3, dtype: object

改进了尝试创建列时的警告#

新用户经常被列操作和属性访问之间的关系弄糊涂 DataFrame 实例 (GH7175 )。这种困惑的一个具体例子是试图通过在 DataFrame ：

In [1]: df = pd.DataFrame({'one': [1., 2., 3.]})
In [2]: df.two = [4, 5, 6]

这不会引发任何明显的例外，但也不会创建新的列：

In [3]: df
Out[3]:
    one
0  1.0
1  2.0
2  3.0

现在，将类似列表的数据结构设置为新属性会引发 UserWarning 关于意外行为的可能性。看见 Attribute Access 。

方法 drop 现在还接受索引/列关键字#

The drop() method has gained index/columns keywords as an alternative to specifying the axis. This is similar to the behavior of reindex (GH12392).

例如：

In [7]: df = pd.DataFrame(np.arange(8).reshape(2, 4),
   ...:                   columns=['A', 'B', 'C', 'D'])
   ...: 

In [8]: df
Out[8]: 
   A  B  C  D
0  0  1  2  3
1  4  5  6  7

[2 rows x 4 columns]

In [9]: df.drop(['B', 'C'], axis=1)
Out[9]: 
   A  D
0  0  3
1  4  7

[2 rows x 2 columns]

# the following is now equivalent
In [10]: df.drop(columns=['B', 'C'])
Out[10]: 
   A  D
0  0  3
1  4  7

[2 rows x 2 columns]

方法： rename ， reindex 现在还接受AXIS关键字#

这个 DataFrame.rename() 和 DataFrame.reindex() 方法已经获得了 axis 关键字以指定操作的目标轴 (GH12392 )。

这是 rename ：

In [11]: df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]})

In [12]: df.rename(str.lower, axis='columns')
Out[12]: 
   a  b
0  1  4
1  2  5
2  3  6

[3 rows x 2 columns]

In [13]: df.rename(id, axis='index')
Out[13]: 
                 A  B
139699223642320  1  4
139699223642352  2  5
139699223642384  3  6

[3 rows x 2 columns]

和 reindex ：

In [14]: df.reindex(['A', 'B', 'C'], axis='columns')
Out[14]: 
   A  B   C
0  1  4 NaN
1  2  5 NaN
2  3  6 NaN

[3 rows x 3 columns]

In [15]: df.reindex([0, 1, 3], axis='index')
Out[15]: 
     A    B
0  1.0  4.0
1  2.0  5.0
3  NaN  NaN

[3 rows x 2 columns]

“索引，列”的风格一如既往地发挥作用。

In [16]: df.rename(index=id, columns=str.lower)
Out[16]: 
                 a  b
139699223642320  1  4
139699223642352  2  5
139699223642384  3  6

[3 rows x 2 columns]

In [17]: df.reindex(index=[0, 1, 3], columns=['A', 'B', 'C'])
Out[17]: 
     A    B   C
0  1.0  4.0 NaN
1  2.0  5.0 NaN
3  NaN  NaN NaN

[3 rows x 3 columns]

我们 高度 鼓励使用命名参数，以避免在使用这两种样式时产生混淆。

CategoricalDtype 用于指定类别#

pandas.api.types.CategoricalDtype has been added to the public API and expanded to include the categories and ordered attributes. A CategoricalDtype can be used to specify the set of categories and orderedness of an array, independent of the data. This can be useful for example, when converting string data to a Categorical (GH14711, GH15078, GH16015, GH17643):

In [18]: from pandas.api.types import CategoricalDtype

In [19]: s = pd.Series(['a', 'b', 'c', 'a'])  # strings

In [20]: dtype = CategoricalDtype(categories=['a', 'b', 'c', 'd'], ordered=True)

In [21]: s.astype(dtype)
Out[21]: 
0    a
1    b
2    c
3    a
Length: 4, dtype: category
Categories (4, object): ['a' < 'b' < 'c' < 'd']

有一个地方值得特别提及，那就是 read_csv() 。以前，使用 dtype={{'col': 'category'}} ，则返回值和类别始终为字符串。

In [22]: data = 'A,B\na,1\nb,2\nc,3'

In [23]: pd.read_csv(StringIO(data), dtype={'B': 'category'}).B.cat.categories
Out[23]: Index(['1', '2', '3'], dtype='object')

请注意“Object”数据类型。

使用一个 CategoricalDtype 在所有数字、日期时间或时间增量中，我们可以自动转换为正确的类型

In [24]: dtype = {'B': CategoricalDtype([1, 2, 3])}

In [25]: pd.read_csv(StringIO(data), dtype=dtype).B.cat.categories
Out[25]: Int64Index([1, 2, 3], dtype='int64')

这些值被正确地解释为整数。

这个 .dtype 对象的属性 Categorical ， CategoricalIndex 或者是 Series 现在将返回 CategoricalDtype 。虽然REPRR已经改变了， str(CategoricalDtype()) 仍然是那根弦 'category' 。我们将借此机会提醒用户， 首选 检测分类数据的方法是使用 pandas.api.types.is_categorical_dtype() ，而不是 str(dtype) == 'category' 。

请参阅 CategoricalDtype docs 想要更多。

GroupBy 对象现在具有一个 pipe 方法#

GroupBy 对象现在具有一个 pipe 方法，类似于 DataFrame 和 Series ，这允许函数接受 GroupBy 以干净、易读的语法编写。 (GH17871 )

以获取有关组合的具体示例 .groupby 和 .pipe ，想象一下有一个DataFrame，其中包含商店、产品、收入和销售量的列。我们想做一个GroupWise计算 价格 (即收入/数量)每个商店和每个产品。我们可以在一个多步骤的操作中实现这一点，但是用管道的方式来表达它可以使代码更具可读性。

首先，我们设置数据：

In [26]: import numpy as np

In [27]: n = 1000

In [28]: df = pd.DataFrame({'Store': np.random.choice(['Store_1', 'Store_2'], n),
   ....:                    'Product': np.random.choice(['Product_1',
   ....:                                                 'Product_2',
   ....:                                                 'Product_3'
   ....:                                                 ], n),
   ....:                    'Revenue': (np.random.random(n) * 50 + 10).round(2),
   ....:                    'Quantity': np.random.randint(1, 10, size=n)})
   ....: 

In [29]: df.head(2)
Out[29]: 
     Store    Product  Revenue  Quantity
0  Store_2  Product_2    32.09         7
1  Store_1  Product_3    14.20         1

[2 rows x 4 columns]

现在，要查找每个商店/产品的价格，我们只需执行以下操作：

In [30]: (df.groupby(['Store', 'Product'])
   ....:    .pipe(lambda grp: grp.Revenue.sum() / grp.Quantity.sum())
   ....:    .unstack().round(2))
   ....: 
Out[30]: 
Product  Product_1  Product_2  Product_3
Store                                   
Store_1       6.73       6.72       7.14
Store_2       7.59       6.98       7.23

[2 rows x 3 columns]

请参阅 documentation 想要更多。

Categorical.rename_categories 接受类似DICT的#

rename_categories() 现在接受类似于dict的参数 new_categories 。之前的类别会在词典的关键字中进行查找，如果找到就会被替换。缺少密钥和额外密钥的行为与 DataFrame.rename() 。

In [31]: c = pd.Categorical(['a', 'a', 'b'])

In [32]: c.rename_categories({"a": "eh", "b": "bee"})
Out[32]: 
['eh', 'eh', 'bee']
Categories (2, object): ['eh', 'bee']

警告

为了帮助大Pandas升级， rename_categories 招待 Series 就像清单一样。通常，系列被认为是类似词典的(例如，在 .rename ， .map )。在未来的Pandas版本中 rename_categories 会变得像对待字典一样对待它们。按照警告消息的建议编写面向未来的代码。

In [33]: c.rename_categories(pd.Series([0, 1], index=['a', 'c']))
FutureWarning: Treating Series 'new_categories' as a list-like and using the values.
In a future version, 'rename_categories' will treat Series like a dictionary.
For dict-like, use 'new_categories.to_dict()'
For list-like, use 'new_categories.values'.
Out[33]:
[0, 0, 1]
Categories (2, int64): [0, 1]

其他增强功能#

新函数或新方法#

新关键字#

各种增强功能#

向后不兼容的API更改#

依赖项增加了最低版本#

我们已经更新了依赖项的最低支持版本 (GH15206 ， GH15543 ， GH15214 )。如果已安装，我们现在需要：

套餐

最低版本

必填项

Numpy

1.9.0

X

Matplotlib

1.4.3

Scipy

0.14.0

瓶颈

1.0.0

此外，已取消对Python3.4的支持 (GH15251 )。

全NaN或空系列/数据帧的总和/生产现在是一致的NaN#

备注

此处描述的更改已部分恢复。请参阅 v0.22.0 Whatsnew 想要更多。

的行为 sum and prod on all-NaN Series/DataFrames no longer depends on whether bottleneck 已安装，并返回值 sum 和 prod On a Empty Series已更改 (GH9422 ， GH15507 )。

呼叫 sum 或 prod 在空的或全是-NaN Series ，或一列 DataFrame ，将导致 NaN 。请参阅 docs 。

In [33]: s = pd.Series([np.nan])

以前没有 bottleneck 已安装：

In [2]: s.sum()
Out[2]: np.nan

以前使用 bottleneck ：

In [2]: s.sum()
Out[2]: 0.0

新行为，不考虑瓶颈安装：

In [34]: s.sum()
Out[34]: 0.0

请注意，这还会更改空的 Series 。以前，它总是返回0，而不管 bottleneck 安装：

In [1]: pd.Series([]).sum()
Out[1]: 0

但为了与全NaN的情况保持一致，也将其更改为返回NaN：

In [35]: pd.Series([]).sum()
Out[35]: 0.0

不建议使用缺少标注的列表进行索引#

Previously, selecting with a list of labels, where one or more labels were missing would always succeed, returning NaN for missing labels. This will now show a FutureWarning. In the future this will raise a KeyError (GH15747). This warning will trigger on a DataFrame or a Series for using .loc[] or [[]] when passing a list-of-labels with at least 1 missing label. See the deprecation docs.

In [36]: s = pd.Series([1, 2, 3])

In [37]: s
Out[37]: 
0    1
1    2
2    3
Length: 3, dtype: int64

以前的行为

In [4]: s.loc[[1, 2, 3]]
Out[4]:
1    2.0
2    3.0
3    NaN
dtype: float64

当前行为

In [4]: s.loc[[1, 2, 3]]
Passing list-likes to .loc or [] with any missing label will raise
KeyError in the future, you can use .reindex() as an alternative.

See the documentation here:
https://pandas.pydata.org/pandas-docs/stable/indexing.html#deprecate-loc-reindex-listlike

Out[4]:
1    2.0
2    3.0
3    NaN
dtype: float64

实现选择可能找不到的元素的惯用方法是通过 .reindex()

In [38]: s.reindex([1, 2, 3])
Out[38]: 
1    2.0
2    3.0
3    NaN
Length: 3, dtype: float64

找到所有关键字后的选择不变。

In [39]: s.loc[[1, 2]]
Out[39]: 
1    2
2    3
Length: 2, dtype: int64

NA命名更改#

为了促进PandasAPI之间的更多一致性，我们添加了额外的顶级函数 isna() 和 notna() 是的别名 isnull() 和 notnull() 。命名方案现在与以下方法更一致 .dropna() 和 .fillna() 。此外，在所有情况下 .isnull() 和 .notnull() 方法是定义的，这些方法具有名为 .isna() 和 .notna() ，这些都包括在课程中 Categorical ， Index ， Series ，以及 DataFrame 。 (GH15001 )。

配置选项 pd.options.mode.use_inf_as_null 已弃用，并且 pd.options.mode.use_inf_as_na 被添加为替代。

系列/索引的迭代现在将返回Python标量#

以前，当使用某些迭代方法处理 Series 使用数据类型 int 或 float ，您将收到一个 numpy 标量，例如a np.int64 ，而不是一条 Python int 。发行 (GH10904 )更正了这一点 Series.tolist() 和 list(Series) 。此更改使所有迭代方法保持一致，尤其是对于 __iter__() 和 .map() ；请注意，这只影响整型/浮点型数据类型。 (GH13236 ， GH13258 ， GH14216 )。

In [40]: s = pd.Series([1, 2, 3])

In [41]: s
Out[41]: 
0    1
1    2
2    3
Length: 3, dtype: int64

之前：

In [2]: type(list(s)[0])
Out[2]: numpy.int64

新行为：

In [42]: type(list(s)[0])
Out[42]: int

此外，这现在将正确地装箱迭代的结果 DataFrame.to_dict() 也是。

In [43]: d = {'a': [1], 'b': ['b']}

In [44]: df = pd.DataFrame(d)

之前：

In [8]: type(df.to_dict()['a'][0])
Out[8]: numpy.int64

新行为：

In [45]: type(df.to_dict()['a'][0])
Out[45]: int

使用布尔索引进行索引#

以前在传递布尔值时 Index 至 .loc ，如果 Series/DataFrame 有 boolean 标签，您将获得基于标签的选择，这可能会复制结果标签，而不是布尔索引选择(其中 True 选择元素)，这与布尔数组的索引方式不一致。新的行为类似于布尔型数字数组索引器。 (GH17738 )

以前的行为：

In [46]: s = pd.Series([1, 2, 3], index=[False, True, False])

In [47]: s
Out[47]: 
False    1
True     2
False    3
Length: 3, dtype: int64

In [59]: s.loc[pd.Index([True, False, True])]
Out[59]:
True     2
False    1
False    3
True     2
dtype: int64

当前行为

In [48]: s.loc[pd.Index([True, False, True])]
Out[48]: 
False    1
False    3
Length: 2, dtype: int64

此外，以前如果您有一个非数字的索引(例如字符串)，那么布尔索引将引发 KeyError 。现在，它将被视为布尔索引器。

以前的行为：

In [49]: s = pd.Series([1, 2, 3], index=['a', 'b', 'c'])

In [50]: s
Out[50]: 
a    1
b    2
c    3
Length: 3, dtype: int64

In [39]: s.loc[pd.Index([True, False, True])]
KeyError: "None of [Index([True, False, True], dtype='object')] are in the [index]"

当前行为

In [51]: s.loc[pd.Index([True, False, True])]
Out[51]: 
a    1
c    3
Length: 2, dtype: int64

PeriodIndex 重采样#

In previous versions of pandas, resampling a Series/DataFrame indexed by a PeriodIndex returned a DatetimeIndex in some cases (GH12884). Resampling to a multiplied frequency now returns a PeriodIndex (GH15944). As a minor enhancement, resampling a PeriodIndex can now handle NaT values (GH13224)

以前的行为：

In [1]: pi = pd.period_range('2017-01', periods=12, freq='M')

In [2]: s = pd.Series(np.arange(12), index=pi)

In [3]: resampled = s.resample('2Q').mean()

In [4]: resampled
Out[4]:
2017-03-31     1.0
2017-09-30     5.5
2018-03-31    10.0
Freq: 2Q-DEC, dtype: float64

In [5]: resampled.index
Out[5]: DatetimeIndex(['2017-03-31', '2017-09-30', '2018-03-31'], dtype='datetime64[ns]', freq='2Q-DEC')

新行为：

In [52]: pi = pd.period_range('2017-01', periods=12, freq='M')

In [53]: s = pd.Series(np.arange(12), index=pi)

In [54]: resampled = s.resample('2Q').mean()

In [55]: resampled
Out[55]: 
2017Q1    2.5
2017Q3    8.5
Freq: 2Q-DEC, Length: 2, dtype: float64

In [56]: resampled.index
Out[56]: PeriodIndex(['2017Q1', '2017Q3'], dtype='period[2Q-DEC]')

Upsampling and calling .ohlc() previously returned a Series, basically identical to calling .asfreq(). OHLC upsampling now returns a DataFrame with columns open, high, low and close (GH13083). This is consistent with downsampling and DatetimeIndex behavior.

以前的行为：

In [1]: pi = pd.period_range(start='2000-01-01', freq='D', periods=10)

In [2]: s = pd.Series(np.arange(10), index=pi)

In [3]: s.resample('H').ohlc()
Out[3]:
2000-01-01 00:00    0.0
                ...
2000-01-10 23:00    NaN
Freq: H, Length: 240, dtype: float64

In [4]: s.resample('M').ohlc()
Out[4]:
         open  high  low  close
2000-01     0     9    0      9

新行为：

In [57]: pi = pd.period_range(start='2000-01-01', freq='D', periods=10)

In [58]: s = pd.Series(np.arange(10), index=pi)

In [59]: s.resample('H').ohlc()
Out[59]: 
                  open  high  low  close
2000-01-01 00:00   0.0   0.0  0.0    0.0
2000-01-01 01:00   NaN   NaN  NaN    NaN
2000-01-01 02:00   NaN   NaN  NaN    NaN
2000-01-01 03:00   NaN   NaN  NaN    NaN
2000-01-01 04:00   NaN   NaN  NaN    NaN
...                ...   ...  ...    ...
2000-01-10 19:00   NaN   NaN  NaN    NaN
2000-01-10 20:00   NaN   NaN  NaN    NaN
2000-01-10 21:00   NaN   NaN  NaN    NaN
2000-01-10 22:00   NaN   NaN  NaN    NaN
2000-01-10 23:00   NaN   NaN  NaN    NaN

[240 rows x 4 columns]

In [60]: s.resample('M').ohlc()
Out[60]: 
         open  high  low  close
2000-01     0     9    0      9

[1 rows x 4 columns]

改进了pd.eval中项目分配过程中的错误处理#

eval() 现在将引发一个 ValueError 当指定了项目分配故障或就地操作，但表达式中没有项目分配时 (GH16732 )

In [61]: arr = np.array([1, 2, 3])

以前，如果您尝试以下表达式，则会得到一条帮助不大的错误消息：

In [3]: pd.eval("a = 1 + 2", target=arr, inplace=True)
...
IndexError: only integers, slices (`:`), ellipsis (`...`), numpy.newaxis (`None`)
and integer or boolean arrays are valid indices

这是一种很长的说法，说明NumPy数组不支持字符串项索引。进行此更改后，错误消息现在如下所示：

In [3]: pd.eval("a = 1 + 2", target=arr, inplace=True)
...
ValueError: Cannot assign expression output to target

过去，即使没有项目分配，也可以就地计算表达式：

In [4]: pd.eval("1 + 2", target=arr, inplace=True)
Out[4]: 3

但是，该输入没有多大意义，因为输出没有分配给目标。现在，一个 ValueError 在传入此类输入时将引发：

In [4]: pd.eval("1 + 2", target=arr, inplace=True)
...
ValueError: Cannot operate inplace if there is no assignment

数据类型转换#

以前的任务， .where() 和 .fillna() 使用一个 bool 赋值时，将强制使用相同的类型(例如int/Float)，或对类似日期的类型进行提升。现在，这些将通过以下方式保存BOOL object 数据类型。 (GH16821 )。

In [62]: s = pd.Series([1, 2, 3])

In [5]: s[1] = True

In [6]: s
Out[6]:
0    1
1    1
2    3
dtype: int64

新行为

In [63]: s[1] = True

In [64]: s
Out[64]: 
0       1
1    True
2       3
Length: 3, dtype: object

以前，将AS赋值给具有非DateTime的类DateTime会强制分配非DateTime的项 (GH14145 )。

In [65]: s = pd.Series([pd.Timestamp('2011-01-01'), pd.Timestamp('2012-01-01')])

In [1]: s[1] = 1

In [2]: s
Out[2]:
0   2011-01-01 00:00:00.000000000
1   1970-01-01 00:00:00.000000001
dtype: datetime64[ns]

这些现在迫使他们 object 数据类型。

In [66]: s[1] = 1

In [67]: s
Out[67]: 
0    2011-01-01 00:00:00
1                      1
Length: 2, dtype: object

  • Inconsistent behavior in .where() with datetimelikes which would raise rather than coerce to object (GH16402)

  • 分配中的错误 int64 具有以下功能的数据 np.ndarray 使用 float64 DTYPE可以保留 int64 数据类型 (GH14001 )

具有单层的多索引构造函数#

这个 MultiIndex 构造函数不再压缩所有长度的多重索引--1级向下压缩为常规的 Index 。这会影响到所有 MultiIndex 构造函数。 (GH17178 )

以前的行为：

In [2]: pd.MultiIndex.from_tuples([('a',), ('b',)])
Out[2]: Index(['a', 'b'], dtype='object')

长度为1的级别不再是特殊大小写。它们的行为完全像你有长度为2+的级别，所以一个 MultiIndex 始终从所有 MultiIndex 构造函数：

In [68]: pd.MultiIndex.from_tuples([('a',), ('b',)])
Out[68]: 
MultiIndex([('a',),
            ('b',)],
           )

UTC系列本地化#

在此之前， to_datetime() 未本地化日期时间 Series 数据何时 utc=True 通过了。现在, to_datetime() 将正确本地化 Series 使用一个 datetime64[ns, UTC] 数据类型与List-Like和 Index 数据被处理。 (GH6415 )。

以前的行为

In [69]: s = pd.Series(['20130101 00:00:00'] * 3)

In [12]: pd.to_datetime(s, utc=True)
Out[12]:
0   2013-01-01
1   2013-01-01
2   2013-01-01
dtype: datetime64[ns]

新行为

In [70]: pd.to_datetime(s, utc=True)
Out[70]: 
0   2013-01-01 00:00:00+00:00
1   2013-01-01 00:00:00+00:00
2   2013-01-01 00:00:00+00:00
Length: 3, dtype: datetime64[ns, UTC]

此外，具有DateTime列的DataFrame由 read_sql_table() 和 read_sql_query() 仅当原始SQL列是支持时区的DATETIME列时，才会将其本地化为UTC。

值域函数的一致性#

在以前的版本中，各种范围函数之间存在一些不一致： date_range() ， bdate_range() ， period_range() ， timedelta_range() ，以及 interval_range() 。 (GH17471 )。

时发生的不一致行为之一 start ， end 和 period 所有参数都已指定，可能会导致范围不明确。当所有三个参数都被传递时， interval_range 忽略了 period 参数， period_range 忽略了 end 参数，并引发其他范围函数。为了促进范围函数之间的一致性，并避免潜在的模糊范围， interval_range 和 period_range 现在将在传递所有三个参数时引发。

以前的行为：

 In [2]: pd.interval_range(start=0, end=4, periods=6)
 Out[2]:
 IntervalIndex([(0, 1], (1, 2], (2, 3]]
               closed='right',
               dtype='interval[int64]')

In [3]: pd.period_range(start='2017Q1', end='2017Q4', periods=6, freq='Q')
Out[3]: PeriodIndex(['2017Q1', '2017Q2', '2017Q3', '2017Q4', '2018Q1', '2018Q2'], dtype='period[Q-DEC]', freq='Q-DEC')

新行为：

In [2]: pd.interval_range(start=0, end=4, periods=6)
---------------------------------------------------------------------------
ValueError: Of the three parameters: start, end, and periods, exactly two must be specified

In [3]: pd.period_range(start='2017Q1', end='2017Q4', periods=6, freq='Q')
---------------------------------------------------------------------------
ValueError: Of the three parameters: start, end, and periods, exactly two must be specified

此外，端点参数 end 不包括在由 interval_range 。但是，所有其他范围函数包括 end 在他们的产出中。为了促进范围函数之间的一致性， interval_range 现在将包括 end 作为最终间隔的右端点，除非 freq 是以一种跳过 end 。

以前的行为：

In [4]: pd.interval_range(start=0, end=4)
Out[4]:
IntervalIndex([(0, 1], (1, 2], (2, 3]]
              closed='right',
              dtype='interval[int64]')

新行为：

In [71]: pd.interval_range(start=0, end=4)
Out[71]: IntervalIndex([[0, 1], [1, 2], [2, 3], [3, 4]], dtype='interval[int64, both]')

无自动Matplotlib转换器#

Pandas不再登记我们的 date ， time ， datetime ， datetime64 ，以及 Period 进口Pandas时使用matplotlib的转换器。Matplotlib作图方法 (plt.plot ， ax.plot ，...)，将不会很好地格式化x轴 DatetimeIndex 或 PeriodIndex 价值观。您必须显式注册以下方法：

pandas built-in Series.plot and DataFrame.plot will register these converters on first-use (GH17710).

备注

这一变化在Pandas0.21.1中暂时恢复，更多细节请参见 here 。

其他API更改#

  • 类别构造函数不再接受 categories 关键字。 (GH16022 )

  • Accessing a non-existent attribute on a closed HDFStore will now raise an AttributeError rather than a ClosedFileError (GH16301)

  • read_csv() 现在发布一个 UserWarning 如果 names 参数包含重复项 (GH17095 )

  • read_csv() 现在招待 'null' 和 'n/a' 缺省情况下将字符串作为缺失值 (GH16471 ， GH16078 )

  • pandas.HDFStore 的字符串表示现在更快，更不详细。 pandas.HDFStore.info() 。 (GH16503 )。

  • HDF商店中的压缩默认设置现在遵循PYTABLE标准。默认设置为无压缩，并且如果 complib 失踪了，而且 complevel >0 zlib vt.使用 (GH15943 )

  • Index.get_indexer_non_unique() now returns a ndarray indexer rather than an Index; this is consistent with Index.get_indexer() (GH16819)

  • 删除了 @slow 装饰师来自 pandas._testing ，这给一些下游包的测试套件带来了问题。使用 @pytest.mark.slow 取而代之的是，它实现了同样的事情 (GH16850 )

  • 移动的定义 MergeError 发送到 pandas.errors 模块。

  • The signature of Series.set_axis() and DataFrame.set_axis() has been changed from set_axis(axis, labels) to set_axis(labels, axis=0), for consistency with the rest of the API. The old signature is deprecated and will show a FutureWarning (GH14636)

  • Series.argmin() and Series.argmax() will now raise a TypeError when used with object dtypes, instead of a ValueError (GH13595)

  • Period 现在是不可变的，并且现在将引发 AttributeError 当用户尝试将新值分配给 ordinal 或 freq 属性 (GH17116 )。

  • to_datetime() when passed a tz-aware origin= kwarg will now raise a more informative ValueError rather than a TypeError (GH16842)

  • to_datetime() 现在引发一个 ValueError 当格式包括 %W 或 %U 不包括星期几和日历年 (GH16774 )

  • 已重命名为非功能性 index 至 index_col 在……里面 read_stata() 提高API一致性 (GH16342 )

  • 窃听 DataFrame.drop() 导致的布尔标签 False 和 True 从数值索引中删除索引时分别被视为标签0和1。这现在将引发ValueError (GH16877 )

  • 受限制的DateOffset关键字参数。以前， DateOffset 子类允许任意关键字参数，这可能导致意外行为。现在，只有有效的论点才会被接受。 (GH17176 )。

不推荐使用#

  • DataFrame.from_csv() and Series.from_csv() have been deprecated in favor of read_csv() (GH4191)

  • read_excel() has deprecated sheetname in favor of sheet_name for consistency with .to_excel() (GH10559).

  • read_excel() has deprecated parse_cols in favor of usecols for consistency with read_csv() (GH4988)

  • read_csv() has deprecated the tupleize_cols argument. Column tuples will always be converted to a MultiIndex (GH17060)

  • DataFrame.to_csv() 已不推荐使用 tupleize_cols 争论。多索引列将始终以行的形式写入CSV文件 (GH17060 )

  • 这个 convert 参数已被弃用。 .take() 方法，因为它不被尊重 (GH16948 )

  • pd.options.html.border has been deprecated in favor of pd.options.display.html.border (GH15793).

  • SeriesGroupBy.nth() has deprecated True in favor of 'all' for its kwarg dropna (GH11038).

  • DataFrame.as_blocks() 已弃用，因为这会公开内部实现 (GH17302 )

  • pd.TimeGrouper is deprecated in favor of pandas.Grouper (GH16747)

  • cdate_range 已被弃用，取而代之的是 bdate_range() ，它已经获得了 weekmask 和 holidays 用于构建自定义频率日期范围的参数。请参阅 documentation 获取更多详细信息 (GH17596 )

  • passing categories or ordered kwargs to Series.astype() is deprecated, in favor of passing a CategoricalDtype (GH17636)

  • .get_value 和 .set_value 在……上面 Series ， DataFrame ， Panel ， SparseSeries ，以及 SparseDataFrame 不推荐使用，而是使用 .iat[] 或 .at[] 访问者 (GH15269 )

  • 传入一个不存在的列 .to_excel(..., columns=) 已弃用，并将引发 KeyError 在未来 (GH17295 )

  • raise_on_error parameter to Series.where(), Series.mask(), DataFrame.where(), DataFrame.mask() is deprecated, in favor of errors= (GH14968)

  • 使用 DataFrame.rename_axis() 和 Series.rename_axis() 更改索引或列 标签 现在已弃用，转而支持使用 .rename 。 rename_axis 仍可用于更改索引或列的名称 (GH17833 )。

  • reindex_axis() 已被弃用，取而代之的是 reindex() 。看见 here 了解更多信息 (GH17833 )。

Series.select和DataFrame.select#

The Series.select() and DataFrame.select() methods are deprecated in favor of using df.loc[labels.map(crit)] (GH12401)

In [72]: df = pd.DataFrame({'A': [1, 2, 3]}, index=['foo', 'bar', 'baz'])

In [3]: df.select(lambda x: x in ['bar', 'baz'])
FutureWarning: select is deprecated and will be removed in a future release. You can use .loc[crit] as a replacement
Out[3]:
     A
bar  2
baz  3

In [73]: df.loc[df.index.map(lambda x: x in ['bar', 'baz'])]
Out[73]: 
     A
bar  2
baz  3

[2 rows x 1 columns]

Series.argmax和Series.argmin#

的行为 Series.argmax() 和 Series.argmin() 已被弃用，取而代之的是 Series.idxmax() 和 Series.idxmin() ，分别 (GH16830 )。

为了与NumPy阵列兼容， pd.Series 机具 argmax 和 argmin 。从Pandas0.13.0开始， argmax 一直是一个别名 pandas.Series.idxmax() ，以及 argmin 一直是一个别名 pandas.Series.idxmin() 。它们返回 标签 的最大值或最小值，而不是 职位 。

我们已经不赞成当前的行为 Series.argmax 和 Series.argmin 。使用这两种方法之一都会发出一个 FutureWarning 。使用 Series.idxmax() 如果你想要最大值的标签。使用 Series.values.argmax() 如果你想要最大值的位置。最低限度也是如此。在未来的版本中 Series.argmax 和 Series.argmin 将返回最大值或最小值的位置。

删除先前版本的弃用/更改#

  • read_excel() 已经放弃了 has_index_names 参数 (GH10967 )

  • 这个 pd.options.display.height 配置已丢弃 (GH3663 )

  • 这个 pd.options.display.line_width 配置已丢弃 (GH2881 )

  • 这个 pd.options.display.mpl_style 配置已丢弃 (GH12190 )

  • Index has dropped the .sym_diff() method in favor of .symmetric_difference() (GH12591)

  • Categorical has dropped the .order() and .sort() methods in favor of .sort_values() (GH12882)

  • eval() and DataFrame.eval() have changed the default of inplace from None to False (GH11149)

  • 该函数 get_offset_name 已经放弃，取而代之的是 .freqstr 偏移量的属性 (GH11834 )

  • Pandas不再测试与hdf5的兼容性-使用Pandas<0.11创建的文件 (GH17404 )。

性能改进#

文档更改#

错误修复#

转换#

  • 对类似DateTime的数据进行赋值时出现错误， int 可能会错误地转换为类似DateTime (GH14145 )

  • 分配中的错误 int64 具有以下功能的数据 np.ndarray 使用 float64 DTYPE可以保留 int64 数据类型 (GH14001 )

  • 修复了的返回类型 IntervalIndex.is_non_overlapping_monotonic 成为一条 Python bool 用于与类似属性/方法的一致性。以前返回了一个 numpy.bool_ 。 (GH17237 )

  • 窃听 IntervalIndex.is_non_overlapping_monotonic 当间隔在两侧闭合并在一点重叠时 (GH16560 )

  • 窃听 Series.fillna() 在以下情况下返回Frame inplace=True 和 value 是DICT (GH16156 )

  • 窃听 Timestamp.weekday_name 在本地化为时区时返回基于UTC的工作日名称 (GH17354 )

  • 窃听 Timestamp.replace 当更换时 tzinfo 围绕DST的变化 (GH15683 )

  • 窃听 Timedelta 构造和算法，它们不会传播 Overflow 例外情况 (GH17367 )

  • 窃听 astype() 传递扩展类型类时转换为对象数据类型 (DatetimeTZDtype ， CategoricalDtype )而不是实例。现在是一个 TypeError 在传递类时引发 (GH17780 )。

  • Bug in to_numeric() in which elements were not always being coerced to numeric when errors='coerce' (GH17007, GH17125)

  • Bug in DataFrame and Series constructors where range objects are converted to int32 dtype on Windows instead of int64 (GH16804)

标引#

  • 当使用空片调用时(例如 df.iloc[:] )、 .iloc 和 .loc 索引器返回原始对象的浅表副本。以前，它们返回原始对象。 (GH13873 )。

  • 在未排序的 MultiIndex ，即 loc 索引器现在将引发 UnsortedIndexError 仅当在未排序的级别上使用适当的切片时 (GH16734 )。

  • Fixes regression in 0.20.3 when indexing with a string on a TimedeltaIndex (GH16896).

  • 固定的 TimedeltaIndex.get_loc() 处理 np.timedelta64 输入 (GH16909 )。

  • 修复 MultiIndex.sort_index() 订购时间 ascending 参数是一个列表，但不是指定了所有级别，或者不是以不同的顺序指定 (GH16934 )。

  • 修复了使用进行索引的错误 np.inf 导致了一个 OverflowError 待养 (GH16957 )

  • Bug in reindexing on an empty CategoricalIndex (GH16770)

  • Fixes DataFrame.loc for setting with alignment and tz-aware DatetimeIndex (GH16889)

  • 避免 IndexError 将索引或级数传递给 .iloc 带着老麻木 (GH17193 )

  • 允许在Python2的多级列中使用Unicode空字符串作为占位符 (GH17099 )

  • 窃听 .iloc 与就地加法或赋值一起使用时，以及 MultiIndex 导致读取和写入错误的索引 (GH17148 )

  • 窃听 .isin() 其中将成员资格检查为空 Series 对象引发错误 (GH16991 )

  • 窃听 CategoricalIndex 不遵守包含重复项的指定索引的重建索引 (GH17323 )

  • 的交叉点出现错误 RangeIndex 带负阶跃 (GH17296 )

  • 窃听 IntervalIndex 其中，对包含的非重叠单调递减索引的右端点执行标量查找失败 (GH16417 ， GH17271 )

  • 窃听 DataFrame.first_valid_index() 和 DataFrame.last_valid_index() 当没有有效条目时 (GH17400 )

  • 窃听 Series.rename() 方法调用时，会错误地更改 Series ，而不是 Index 。 (GH17407 )

  • 窃听 String.str_get() 加薪 IndexError 而不是在使用负索引时插入NAN。 (GH17704 )

IO#

  • 窃听 read_hdf() 从读取时区感知索引时 fixed 格式化HDFStore (GH17618 )

  • 窃听 read_csv() 其中的列未彻底消除重复数据 (GH17060 )

  • 窃听 read_csv() 其中指定的列名没有被彻底消除重复 (GH17095 )

  • 窃听 read_csv() 其中，Header参数的非整数值生成了一条无用/无关的错误消息 (GH16338 )

  • 窃听 read_csv() 其中异常处理中的内存管理问题在某些情况下会导致解释器段错误 (GH14696 ， GH16798 )。

  • Bug in read_csv() when called with low_memory=False in which a CSV with at least one column > 2GB in size would incorrectly raise a MemoryError (GH16798).

  • 窃听 read_csv() 使用单元素列表调用时 header 将返回一个 DataFrame 在所有NaN值中 (GH7757 )

  • 窃听 DataFrame.to_csv() 默认使用‘ascii’编码，而不是‘utf-8’。 (GH17097 )

  • 窃听 read_stata() 其中，使用迭代器时无法读取值标签 (GH16923 )

  • 窃听 read_stata() 未设置索引的位置 (GH16342 )

  • 窃听 read_html() 当在多个线程中运行时，导入检查失败 (GH16928 )

  • 窃听 read_csv() 其中，自动分隔符检测导致 TypeError 遇到错误行时抛出，而不是正确的错误消息 (GH13374 )

  • 窃听 DataFrame.to_html() 使用 notebook=True 其中，具有命名索引或非多索引索引的DataFrame对于列或行标签分别具有不需要的水平对齐或垂直对齐 (GH16792 )

  • 窃听 DataFrame.to_html() 其中没有验证 justify 参数 (GH17527 )

  • 窃听 HDFStore.select() 当读取具有VLArray的连续混合数据表时 (GH17021 )

  • 窃听 to_json() 其中有几种情况(包括具有不可打印符号的对象、具有深度递归的对象、过长的标签)导致分段错误，而不是引发相应的异常 (GH14256 )

标绘#

  • 使用绘图方法时出现错误 secondary_y 和 fontsize 未设置副轴字体大小 (GH12565 )

  • 打印时出现错误 timedelta 和 datetime Y轴上的数据类型 (GH16953 )

  • 线状图在计算xlims时不再假定单调的x数据，现在即使是未排序的x数据，它们也会显示整条线。 (GH11310 ， GH11471 )

  • 在matplotlib 2.0.0和更高版本中，线条图的x限制的计算留给matplotlib，以便应用其新的默认设置。 (GH15495 )

  • Bug in Series.plot.bar or DataFrame.plot.bar with y not respecting user-passed color (GH16822)

  • 错误导致 plotting.parallel_coordinates 使用随机颜色时重置随机种子 (GH17525 )

分组依据/重采样/滚动#

  • Bug in DataFrame.resample(...).size() where an empty DataFrame did not return a Series (GH14962)

  • 窃听 infer_freq() 导致工作日有两天间隔的指数被错误地推断为商业日报 (GH16624 )

  • Bug in .rolling(...).quantile() which incorrectly used different defaults than Series.quantile() and DataFrame.quantile() (GH9413, GH16211)

  • 窃听 groupby.transform() 这将强制布尔数据类型返回浮点型 (GH16875 )

  • Bug in Series.resample(...).apply() where an empty Series modified the source index and did not return the name of a Series (GH14313)

  • Bug in .rolling(...).apply(...) with a DataFrame with a DatetimeIndex, a window of a timedelta-convertible and min_periods >= 1 (GH15305)

  • 窃听 DataFrame.groupby 当键的数量等于GROUPBY轴上的元素数量时，无法正确识别索引键和列键 (GH16859 )

  • 窃听 groupby.nunique() 使用 TimeGrouper 它不能处理 NaT 正确无误 (GH17575 )

  • 窃听 DataFrame.groupby 其中，单个级别选择来自 MultiIndex 出乎意料地排序 (GH17537 )

  • 窃听 DataFrame.groupby 在以下情况下发出虚假警告 Grouper 对象用于重写不明确的列名。 (GH17383 )

  • 窃听 TimeGrouper 作为列表和标量传递时不同 (GH17530 )

稀疏#

  • 窃听 SparseSeries 加薪 AttributeError 当词典作为数据传入时 (GH16905 )

  • 窃听 SparseDataFrame.fillna() 当从SciPy稀疏矩阵实例化帧时，未填充所有NAN (GH16112 )

  • Bug in SparseSeries.unstack() and SparseDataFrame.stack() (GH16614, GH15045)

  • Bug in make_sparse() treating two numeric/boolean data, which have same bits, as same when array dtype is object (GH17574)

  • SparseArray.all() 和 SparseArray.any() 现已实现为处理 SparseArray ，这些已被使用，但未实现 (GH17570 )

重塑#

  • Joining/Merging with a non unique PeriodIndex raised a TypeError (GH16871)

  • 窃听 crosstab() 其中，非对齐的整数序列被强制转换为浮点型 (GH17005 )

  • Bug in merging with categorical dtypes with datetimelikes incorrectly raised a TypeError (GH16900)

  • 使用时出现错误 isin() 关于大对象序列和大比较数组 (GH16012 )

  • 修正了从0.2开始的回归， Series.aggregate() 和 DataFrame.aggregate() 再次允许将词典作为返回值 (GH16741 )

  • Fixes dtype of result with integer dtype input, from pivot_table() when called with margins=True (GH17013)

  • Bug in crosstab() where passing two Series with the same name raised a KeyError (GH13279)

  • Series.argmin() ， Series.argmax() ，和他们的同行在 DataFrame Groupby对象可以正确处理包含无限值的浮点数据 (GH13595 )。

  • Bug in unique() where checking a tuple of strings raised a TypeError (GH17108)

  • 窃听 concat() 其中，如果结果索引包含不可比较元素，则结果索引的顺序不可预测 (GH17344 )

  • 修复了按多列排序时的回归问题 datetime64 数据类型 Series 使用 NaT 值 (GH16836 )

  • Bug in pivot_table() where the result's columns did not preserve the categorical dtype of columns when dropna was False (GH17842)

  • Bug in DataFrame.drop_duplicates where dropping with non-unique column names raised a ValueError (GH17836)

  • 窃听 unstack() 当对级别列表调用时，它将丢弃 fillna 论据 (GH13971 )

  • 对齐中的错误 range 对象和其他列表点赞 DataFrame 导致按行而不是按列执行操作 (GH17901 )

数字#

  • Bug in .clip() with axis=1 and a list-like for threshold is passed; previously this raised ValueError (GH15390)

  • Series.clip() and DataFrame.clip() now treat NA values for upper and lower arguments as None instead of raising ValueError (GH17276).

直截了当的#

  • 窃听 Series.isin() 当使用一个绝对的 (GH16639 )

  • 具有空值和类别的分类构造函数中的错误，导致 .categories 做一个空虚的人 Float64Index 而不是空荡荡的 Index 具有对象数据类型 (GH17248 )

  • 分类运算中的错误，使用 Series.cat 不保留原版剧集的名称 (GH17509 )

  • 窃听 DataFrame.merge() 对于数据类型为Boolean/int的类别列失败 (GH17187 )

  • 在构造一个 Categorical/CategoricalDtype 当指定的 categories 是绝对型的 (GH17884 )。

PyPy#

  • Compatibility with PyPy in read_csv() with usecols=[<unsorted ints>] and read_json() (GH17351)

  • Split tests into cases for CPython and PyPy where needed, which highlights the fragility of index matching with float('nan'), np.nan and NAT (GH17351)

  • 修复 DataFrame.memory_usage() 来支持PYPy。PyPy上的对象没有固定大小，因此使用近似值 (GH17228 )

其他#

  • 一些Inplace运算符没有包装并在调用时生成副本的错误 (GH12962 )

  • 窃听 eval() 其中 inplace 参数被错误地处理 (GH16732 )

贡献者#

共有206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。

  • 3553x +

  • Aaron Barber

  • Adam Gleave +

  • Adam Smith +

  • AdamShamlian +

  • Adrian Liaw +

  • Alan Velasco +

  • Alan Yee +

  • Alex B +

  • Alex Lubbock +

  • Alex Marchenko +

  • Alex Rychyk +

  • Amol K +

  • Andreas Winkler

  • Andrew +

  • Andrew 亮

  • André Jonasson +

  • Becky Sweger

  • Berkay +

  • Bob Haffner +

  • Bran Yang

  • Brian Tu +

  • Brock Mendel +

  • Carol Willing +

  • Carter Green +

  • Chankey Pathak +

  • Chris

  • Chris Billington

  • Chris Filo Gorgolewski +

  • Chris Kerr

  • Chris M +

  • Chris Mazzullo +

  • Christian Prinoth

  • Christian Stade-Schuldt

  • Christoph Moehl +

  • DSM

  • Daniel Chen +

  • Daniel Grady

  • Daniel Himmelstein

  • Dave Willmer

  • David Cook

  • David Gwynne

  • David Read +

  • Dillon Niederhut +

  • Douglas Rudd

  • Eric Stein +

  • Eric Wieser +

  • Erik Fredriksen

  • Florian Wilhelm +

  • Floris Kint +

  • Forbidden Donut

  • Gabe F +

  • Giftlin +

  • Giftlin Rajaiah +

  • Giulio Pepe +

  • Guilherme Beltramini

  • Guillem Borrell +

  • Hanmin Qin +

  • Hendrik Makait +

  • Hugues Valois

  • Hussain Tamboli +

  • Iva Miholic +

  • Jan Novotný +

  • Jan Rudolph

  • Jean Helie +

  • Jean-Baptiste Schiratti +

  • Jean-Mathieu Deschenes

  • Jeff Knupp +

  • Jeff Reback

  • Jeff Tratner

  • JennaVergeynst

  • JimStearns206

  • Joel Nothman

  • John W. O'Brien

  • Jon Crall +

  • Jon Mease

  • Jonathan J. Helmus +

  • Joris Van den Bossche

  • JosephWagner

  • Juarez Bochi

  • Julian Kuhlmann +

  • Karel De Brabandere

  • Kassandra Keeton +

  • Keiron Pizzey +

  • Keith Webber

  • Kernc

  • Kevin Sheppard

  • Kirk Hansen +

  • Licht Takeuchi +

  • Lucas Kushner +

  • Mahdi Ben Jelloul +

  • Makarov Andrey +

  • Malgorzata Turzanska +

  • Marc Garcia +

  • Margaret Sy +

  • MarsGuy +

  • Matt Bark +

  • Matthew Roeschke

  • Matti Picus

  • Mehmet Ali "Mali" Akmanalp

  • Michael Gasvoda +

  • Michael Penkov +

  • Milo +

  • Morgan Stuart +

  • Morgan243 +

  • Nathan Ford +

  • Nick Eubank

  • Nick Garvey +

  • Oleg Shteynbuk +

  • P-Tillmann +

  • Pankaj Pandey

  • Patrick Luo

  • Patrick O'Melveny

  • Paul Reidy +

  • Paula +

  • Peter Quackenbush

  • Peter Yanovich +

  • Phillip Cloud

  • Pierre Haessig

  • Pietro Battiston

  • Pradyumna Reddy Chinthala

  • Prasanjit Prakash

  • RobinFiveWords

  • Ryan Hendrickson

  • Sam Foo

  • Sangwoong Yoon +

  • Simon Gibbons +

  • SimonBaron

  • Steven Cutting +

  • Sudeep +

  • Sylvia +

  • T N +

  • Telt

  • Thomas A Caswell

  • Tim Swast +

  • Tom Augspurger

  • Tong SHEN

  • Tuan +

  • Utkarsh Upadhyay +

  • Vincent La +

  • Vivek +

  • WANG Aiyong

  • WBare

  • Wes McKinney

  • XF +

  • Yi Liu +

  • Yosuke Nakabayashi +

  • aaron315 +

  • abarber4gh +

  • aernlund +

  • agustín méndez +

  • andymaheshw +

  • ante328 +

  • aviolov +

  • bpraggastis

  • cbertinato +

  • cclauss +

  • chernrick

  • chris-b1

  • dkamm +

  • dwkenefick

  • economy

  • faic +

  • fding253 +

  • gfyoung

  • guygoldberg +

  • hhuuggoo +

  • huashuai +

  • ian

  • iulia +

  • jaredsnyder

  • jbrockmendel +

  • jdeschenes

  • jebob +

  • jschendel +

  • keitakurita

  • kernc +

  • kiwirob +

  • kjford

  • linebp

  • lloydkirk

  • louispotok +

  • majiang +

  • manikbhandari +

  • matthiashuschle +

  • mattip

  • maxwasserman +

  • mjlove12 +

  • nmartensen +

  • pandas-docs-bot +

  • parchd-1 +

  • philipphanemann +

  • rdk1024 +

  • reidy-p +

  • ri938

  • ruiann +

  • rvernica +

  • s-weigand +

  • scotthavard92 +

  • skwbc +

  • step4me +

  • tobycheese +

  • topper-123 +

  • tsdlovell

  • ysau +

  • zzgao +

上一页

0.21.1版(2017年12月12日)

下一页

0.20.3版(2017年7月7日)