Question

由this指导，我开始根据其dtype建立用于处理数据帧列的管道。但是在得到一些意外的输出和调试之后，我最终得到了测试数据帧和测试dtype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)

输出：

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，但是此测试代码产生两个问题：

这里最奇怪的是pd.api.types.is_string_dtype会触发在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会分别触发其他？有点意外，因为即使在.dtypes中，两种类型被标记为object，但最好有人澄清一下一步一步。

Ps：奖励问题-我认为熊猫在构建新版本时应该通过其内部测试时是正确的（例如测试代码中的df_types，但不带有“红色”，而是“记录有关错误的信息”）？

Answer 1

这归结为is_string_dtype相当松散的支票，其中the implementation甚至有一个待办事项以使其更加严格，并链接到Issue #15585。

此检查不严格的原因是，pandas中没有专用的字符串dtype，而是仅使用object dtype存储了字符串，该字符串实际上可以存储任何内容。因此，更严格的检查可能会带来性能开销。

要回答您的问题：

这是由于CategoricalDtype.kind被设置为'O'的结果，这是is_string_dtype进行的宽松检查之一。鉴于待办事项说明，这种情况将来可能会改变，所以这不是我要依靠的东西。
由于字符串存储为object dtype，因此is_object_dtype可以在字符串上触发，并且我认为这种行为是可靠的，因为实现几乎肯定不会改变不久的将来。由于对dtype.kind中的is_string_dtype的依赖，情况恰恰相反，与上述分类法有相同的警告。
是的，pandas有一个测试套件，它将针对所创建的每个PR在各种CI服务上自动运行。该测试套件包括与您正在执行的检查类似的检查。

要添加的一个切线相关的注释：有一个名为fletcher的库，该库使用Apache Arrow以与pandas兼容的方式实现了更本地的字符串类型。它仍在开发中，目前可能不支持pandas所做的所有字符串操作。

在Pandas DataFrame中检查dtype时的警告

1 个答案: