我一直在寻找 pandas DataFrame 的健壮类型提示,但似乎找不到任何有用的东西。这个问题仅仅触及表面Pandas 的 Pythonic 类型提示?
通常,如果我想暗示以 DataFrame 作为输入参数的函数的类型,我会这样做:
import pandas as pd
def func(arg: pd.DataFrame) -> int:
return 1
我似乎找不到的是如何使用mixed dtypes输入提示DataFrame。 DataFrame 构造函数仅支持完整 DataFrame 的类型定义。因此,据我所知,数据类型的更改只能在使用
pd.DataFrame().astype(dtypes={})
函数之后发生。
这在这里可行,但对我来说似乎不太Pythonic
import datetime
def func(arg: pd.DataFrame(columns=['integer', 'date']).astype(dtype={'integer': int, 'date': datetime.date})) -> int:
return 1
我遇到了这个包:https://pypi.org/project/dataenforce/,其中包含这样的示例:
def process_data(data: Dataset["id": int, "name": object, "latitude": float, "longitude": float])
pass
这看起来很有希望,但遗憾的是该项目已经过时且存在缺陷。
作为一名数据科学家,在构建具有长 ETL 过程的机器学习应用程序时,我认为类型提示非常重要。
你使用什么?有人在 pandas 中输入暗示他们的数据框吗?
我现在找到了看起来非常有前途的pandera库:
https://github.com/pandera-dev/pandera
它允许用户创建模式并使用这些模式来创建详细检查。来自他们的文档:
https://pandera.readthedocs.io/en/stable/schema_models.html
import pandas as pd
import pandera as pa
from pandera.typing import Index, DataFrame, Series
class InputSchema(pa.SchemaModel):
year: Series[int] = pa.Field(gt=2000, coerce=True)
month: Series[int] = pa.Field(ge=1, le=12, coerce=True)
day: Series[int] = pa.Field(ge=0, le=365, coerce=True)
class OutputSchema(InputSchema):
revenue: Series[float]
@pa.check_types
def transform(df: DataFrame[InputSchema]) -> DataFrame[OutputSchema]:
return df.assign(revenue=100.0)
df = pd.DataFrame({
"year": ["2001", "2002", "2003"],
"month": ["3", "6", "12"],
"day": ["200", "156", "365"],
})
transform(df)
invalid_df = pd.DataFrame({
"year": ["2001", "2002", "1999"],
"month": ["3", "6", "12"],
"day": ["200", "156", "365"],
})
transform(invalid_df)
还有他们的注释:
由于 pandas 库的当前限制(请参阅此处的讨论),pandera 注释仅用于运行时验证,不能被 mypy 等静态类型检查器利用。有关更多详细信息,请参阅此处的讨论。
但是,即使没有静态类型检查,我认为这正在朝着一个非常好的方向发展。
虽然不是 Pandas,但 StaticFrame(基于不可变数据模型构建的替代 DataFrame 库,我是其中的作者)允许 DataFrame 的完整类型提示,包括混合柱状类型。如果需要,您可以轻松地在 StaticFrame 和 Pandas 之间进行转换。
例如,要键入提示上面的
func
,我们可以将 arg
定义为具有任意类型索引、字符串列标签(以 sf.Frame
形式给出)和两列数据值的 StaticFrame sf.Index[np.str_]
指定为 np.int64
和 np.object_
数组(最后一个包含 datetime.date
对象)。
from typing import Any
import numpy as np
import static_frame as sf
def func(arg: sf.Frame[Any, sf.Index[np.str_], np.int64, np.object_]) -> int:
return 1
更多示例请参见此处。