Pandas发展规划

Pandas是一个功能强大的开源Python库，用于数据分析，操作和可视化。 自2014年以来，我一直在教数据科学家使用pandas，从那时起，它已经越来越受欢迎，估计有500万到1000万用户，并成为Python数据科学工具包中的“必须使用”的工具。

我是在版本0.14.0左右开始使用pandas，并且我已经关注了pandas库，因为它的当前版本0.23.4已经非常成熟。 但是多年来，许多数据科学家都向我提出过这样的问题：

“Pandas可靠吗？”

“它将来会继续工作吗？”

“它有问题吗？他们甚至没有发布1.0版本！”

版本号可用于表示产品的成熟度，因此我理解为什么有人可能会犹豫是否依赖“1.0之前的”软件。 但在开源世界中，版本号并不一定能告诉你任何关于库的成熟度或可靠性的信息。（是的，Pandas库既成熟又可靠！）相反，版本号传达了API的稳定性。

特别是，版本1.0向用户发出信号：“我们已经弄清楚API应该是什么样子，因此只有主要版本（2.0,3.0等）才会发生API破坏性更改”，换句话说，版本1.0标志着代码永远不应该仅仅因为升级到下一个次要版本就导致中断。

所以问题仍然存在：Pandas1.0中会出现什么，它什么时候到来？

走向pandas 1.0

我最近观看了Pyrad London的一个名为Towards pandas 1.0的演讲，由Pandas核心开发人员Marc Garcia发表。 关于Pandas的未来，这是一个启发性的讨论，所以我想强调并评论一些提到的项目：

方法链

inplace

Apache Arrow

可拓数组

其他弃用

路线图

如果你想跟随完整的谈话幻灯片，可以在这个Jupyter notebook中找到它们。（http://nbviewer.jupyter.org/github/datapythonista/towards_pandas_1/blob/master/Towards%20pandas%201.0.ipynb）

方法链

Pandas核心团队现在鼓励使用“方法链”。 这是一种编程风格，您可以将多个方法调用链接到一个语句中。 这允许您将中间结果从一个方法传递到下一个方法，而不是使用变量存储中间结果。

以下是Marc实现的不使用方法链的示例：

以下是使用方法链的等效代码：

他们更喜欢方法链的主要原因是：

可读性：在他们看来，方法链更具可读性。

性能：由于方法链提前告诉Pandas您想要做的一切，Pandas可以更有效地规划其操作。

以下是我的想法：

多年来我一直在编写简短的方法链，我发现它们比替代方案更具可读性。 例如，我绝不会通过使用中间变量将df.isnull().sum()或ser.value_counts().sort_index()分成多行代码。

但是，我实际上发现长方法链（Marc的第二个例子）比其他方法更不易读，但也许那是因为我不习惯写它们。 具体来说，我很难搞懂assign()方法中的lambda函数。

另一位pandas核心开发者Tom Augspurger也指出：

“过长链的一个缺点是调试可能会更难。如果最后出现问题，你就没有中间值来检查。”

需要明确的是，pandas一直提供方法链，但通过添加新的“可链式”方法，对链的支持有所增加。 例如，query()方法（在上面的链中使用）之前在文档中被标记为“实验性的”，这就是为什么我没有使用它或教它。 该标签已在pandas 0.23中删除，这可能表明核心团队现在鼓励使用query()。

我认为您不会被要求使用方法链，但我认为文档最终可能会迁移到使用该样式。

有关该主题的更长时间的讨论，请参阅Tom Augspurger的Method Chaining帖子，该帖子是他的Modern pandas系列的第2部分。（https://tomaugspurger.github.io/method-chaining.html）

inplace

pandas核心团队不鼓励使用inplace参数，最终它将被弃用（这意味着“计划从库中删除”）。 原因如下：

inplace在方法链中不起作用。

与名称所暗示的相反，使用inplace通常不会阻止创建副本。

删除inplace选项会降低pandas代码库的复杂性。

就个人而言，我是inplace的粉丝，我喜欢写df.reset_index（inplace = True）而不是df = df.reset_index（）。 话虽这么说，许多初学者确实对inplace感到困惑，并且在pandas中有一个明确的方法来做事，所以最终我会同意弃用inplace。