指导 this answer 我开始建立管道,用于根据数据类型处理数据帧的列。但是在得到一些意想不到的输出和一些调试之后,我最终得到了测试数据帧和测试数据类型检查:
# Creating test dataframe
test = pd.DataFrame({'bool' :[False, True], 'int':[-1,2],'float': [-2.5, 3.4],
'compl':np.array([1-1j, 5]),
'dt' :[pd.Timestamp('2013-01-02'), pd.Timestamp('2016-10-20')],
'td' :[pd.Timestamp('2012-03-02')- pd.Timestamp('2016-10-20'),
pd.Timestamp('2010-07-12')- pd.Timestamp('2000-11-10')],
'prd' :[pd.Period('2002-03','D'), pd.Period('2012-02-01', 'D')],
'intrv':pd.arrays.IntervalArray([pd.Interval(0, 0.1), pd.Interval(1, 5)]),
'str' :['s1', 's2'],
'cat' :[1, -1],
'obj' :[[1,2,3], [5435,35,-52,14]]
})
test['cat'] = test['cat'].astype('category')
test
test.dtypes
# Testing types
types = list(test.columns)
df_types = pd.DataFrame(np.zeros((len(types),len(types)), dtype=bool),
index = ['is_'+el for el in types],
columns = types)
for col in test.columns:
df_types.at['is_bool', col] = pd.api.types.is_bool_dtype(test[col])
df_types.at['is_int' , col] = pd.api.types.is_integer_dtype(test[col])
df_types.at['is_float',col] = pd.api.types.is_float_dtype(test[col])
df_types.at['is_compl',col] = pd.api.types.is_complex_dtype(test[col])
df_types.at['is_dt' , col] = pd.api.types.is_datetime64_dtype(test[col])
df_types.at['is_td' , col] = pd.api.types.is_timedelta64_dtype(test[col])
df_types.at['is_prd' , col] = pd.api.types.is_period_dtype(test[col])
df_types.at['is_intrv',col] = pd.api.types.is_interval_dtype(test[col])
df_types.at['is_str' , col] = pd.api.types.is_string_dtype(test[col])
df_types.at['is_cat' , col] = pd.api.types.is_categorical_dtype(test[col])
df_types.at['is_obj' , col] = pd.api.types.is_object_dtype(test[col])
# Styling func
def coloring(df):
clr_g = 'color : green'
clr_r = 'color : red'
mask = ~np.logical_xor(df.values, np.eye(df.shape[0], dtype=bool))
# OUTPUT
return pd.DataFrame(np.where(mask, clr_g, clr_r),
index = df.index,
columns = df.columns)
# OUTPUT colored
df_types.style.apply(coloring, axis=None)
bool bool
int int64
float float64
compl complex128
dt datetime64[ns]
td timedelta64[ns]
prd period[D]
intrv interval[float64]
str object
cat category
obj object
几乎一切都很好,但是这段测试代码产生了两个问题:
- 这里最奇怪的是
pd.api.types.is_string_dtype
触发 在category
dtype 上。这是为什么?是否应将其视为“预期” 行为? - 为什么
is_string_dtype
和is_object_dtype
分别触发 其他?这有点意料之中,因为即使在.dtypes
中也有两种类型 被标记为object
,但如果有人澄清它会更好 一步一步来。
P.s.: 额外的问题——当我认为 pandas 有它的内部测试应该在构建新版本时通过时,我是对的吗(比如测试代码中的 df_types,但不是“红色着色”而是“记录有关错误的信息”) ?
编辑: Pandas 版本 0.24.2
。
最佳答案
这归结为 is_string_dtype
是一个相当宽松的检查,the implementation甚至有一个 TODO 注释以使其更严格,链接到 Issue #15585 .
这个检查不严格的原因是 pandas
中没有专门的字符串 dtype,而字符串只是用 object
dtype 存储的,这真的可以存储任何东西。因此,更严格的检查可能会带来性能开销。
回答您的问题:
这是
CategoricalDtype.kind
被设置为'O'
的结果,这是松散检查之一is_string_dtype
做。考虑到 TODO 注释,这在未来可能会发生变化,因此我不会依赖它。由于字符串存储为
object
dtype,所以is_object_dtype
在字符串上触发是有意义的,我认为这种行为作为实现是可靠的在不久的将来几乎肯定不会改变。由于依赖is_string_dtype
中的dtype.kind
,反之亦然,它与上述分类具有相同的警告。是的,
pandas
有一个测试套件,可以为每个创建的 PR 在各种 CI 服务上自动运行。测试套件包括类似于您正在执行的检查。
要添加一个与切线相关的注释:有一个名为 fletcher
的库它使用 Apache Arrow 以与 pandas
兼容的方式实现更原生的字符串类型。它仍在开发中,目前可能不支持 pandas
支持的所有字符串操作。
关于python - 在 pandas DataFrame 中检查 dtype 时的注意事项,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56381708/