这是一个宽泛的话题,但我会尝试将其简化为一些具体问题。
在开始回答有关SO的问题时,我发现自己在制作玩具数据时有时会遇到这样的愚蠢错误:
In[0]:
import pandas as pd
df = pd.DataFrame({"values":[1,2,3,4,5,6,7,8,9]})
df[df < 5] = np.nan
Out[0]:
NameError: name 'np' is not defined
我已经习惯了用
numpy
自动导入 pandas
,这在实际代码中通常不会发生。然而,它确实让我想知道为什么 pandas
没有自己的值/对象来表示空值。
我最近才意识到,您可以使用 Python
None
来代替类似的情况:
import pandas as pd
df = pd.DataFrame({"values":[1,2,3,4,5,6,7,8,9]})
df[df < 5] = None
它按预期工作并且不会产生错误。但我觉得我所看到的 SO 约定是使用
np.nan
,人们在讨论空值时通常会提到 np.nan
(这也许就是为什么我没有意识到 None
可以使用,但也许这是我自己的特质)。
简单地研究一下,我现在发现
pandas
does 自 1.0.0 以来就有 pandas.NA
值,但是 我从未见过有人在帖子中使用它:
In[0]:
import pandas as pd
import numpy as np
df = pd.DataFrame({'values':np.random.rand(20,)})
df['above'] = df['values']
df['below'] = df['values']
df['above'][df['values']>0.7] = np.nan
df['below'][df['values']<0.3] = pd.NA
df['names'] = ['a','b','c','a','b','c','a','b','c','a']*2
df.loc[df['names']=='a','names'] = pd.NA
df.loc[df['names']=='b','names'] = np.nan
df.loc[df['names']=='c','names'] = None
df
Out[0]:
values above below names
0 0.323531 0.323531 0.323531 <NA>
1 0.690383 0.690383 0.690383 NaN
2 0.692371 0.692371 0.692371 None
3 0.259712 0.259712 NaN <NA>
4 0.473505 0.473505 0.473505 NaN
5 0.907751 NaN 0.907751 None
6 0.642596 0.642596 0.642596 <NA>
7 0.229420 0.229420 NaN NaN
8 0.576324 0.576324 0.576324 None
9 0.823715 NaN 0.823715 <NA>
10 0.210176 0.210176 NaN <NA>
11 0.629563 0.629563 0.629563 NaN
12 0.481969 0.481969 0.481969 None
13 0.400318 0.400318 0.400318 <NA>
14 0.582735 0.582735 0.582735 NaN
15 0.743162 NaN 0.743162 None
16 0.134903 0.134903 NaN <NA>
17 0.386366 0.386366 0.386366 NaN
18 0.313160 0.313160 0.313160 None
19 0.695956 0.695956 0.695956 <NA>
因此,对于数值来说,这些不同的空值之间的区别似乎并不重要,但它们对于字符串(也许对于其他数据类型?)的表示方式有所不同。
我基于上述的问题:
np.nan
(而不是 None
)来表示 pandas
中的空值吗?pandas
在其生命周期的大部分时间里(直到去年)都没有自己的空值?添加的动机是什么?Series
或列中可以有多种类型的缺失值,它们之间有什么区别吗?为什么它们的表示方式不同(如数字数据)?我完全预料到我对事物的解释以及
pandas
和numpy
之间的区别可能有错误,所以请纠正我。
的主要依赖是
numpy
,换句话说,pandas 是构建在 numpy 之上的。因为 pandas 继承并使用了许多 numpy 方法,所以保持一致是有意义的,即缺失的数值数据用 np.NaN
表示。
(这种基于 numpy 的选择也会对其他事情产生影响。例如,日期和时间操作是基于
np.timedelta64
和 np.datetime64
dtypes 构建的,而不是标准 datetime
模块。)
您可能不知道的一件事是,
numpy
一直与pandas
在一起
import pandas as pd
pd.np?
pd.np.nan
虽然您可能认为这种行为可能会更好,因为您不导入numpy,但不鼓励这样做,并且在不久的将来将被弃用,转而直接导入
numpy
FutureWarning:pandas.np 模块已弃用并将被删除 来自未来版本中的 pandas。而是直接导入 numpy
在 pandas 中使用
np.nan
(而不是 None
)来表示空值是否很传统?
如果数据是数字,那么是的,您应该使用
np.NaN
。 None
要求 dtype 为 Object
,对于 pandas,您希望将数字数据存储在数字 dtype 中。 pandas
通常会在创建或导入时强制转换为正确的空类型,以便它可以使用正确的 dtype
pd.Series([1, None])
#0 1.0
#1 NaN <- None became NaN so it can have dtype: float64
#dtype: float64
为什么 pandas 在其生命周期的大部分时间里(直到去年)都没有自己的 null 值?添加的动机是什么?
pandas
没有自己的空值,因为它与 np.NaN
一起使用,这适用于大多数情况。然而,对于 pandas
,丢失数据是很常见的,文档的整个部分都专门讨论这一点。 NaN
作为浮点数,不适合整数容器,这意味着任何缺少数据的数字系列都会向上转换为 float
。由于浮点数学,这可能会出现问题,并且某些整数无法用浮点数完美表示。因此,任何连接或 merges
都可能失败。# Gets upcast to float
pd.Series([1,2,np.NaN])
#0 1.0
#1 2.0
#2 NaN
#dtype: float64
# Can safely do merges/joins/math because things are still Int
pd.Series([1,2,np.NaN]).astype('Int64')
#0 1
#1 2
#2 <NA>
#dtype: Int64
filter-function
None
。我想原因是为了在对numpy
pandas
nan 的含义有所不同。也许,在您的特殊情况下它没有意义,但在其他情况下它会有意义。