pandas массивы, скаляры и типы данных

Объекты

Для большинства типов данных pandas использует массивы NumPy в качестве конкретных объектов, содержащихся в Index, Series или DataFrame.

Для некоторых типов данных pandas расширяет систему типов NumPy. Псевдонимы строк для этих типов можно найти в типах данных.

Тип данных	Тип данных pandas	Скаляр	Массив
Дата и время с учетом часового пояса	`DatetimeTZDtype`	`Timestamp`	Даты и время
Длительности	(нет)	`Timedelta`	Длительности
Периоды (промежутки времени)	`PeriodDtype`	`Period`	Периоды
Интервалы	`IntervalDtype`	`Interval`	Интервалы
Целые числа с возможными значениями NULL	`Int64Dtype`, …	(нет)	Целые числа с возможными значениями NULL
Категории	`CategoricalDtype`	(нет)	Категории
Разреженные	`SparseDtype`	(нет)	Разреженные
Строки	`StringDtype`	`str`	Строки
Булевы (с возможностью NULL)	`BooleanDtype`	`bool`	Булевы с возможностью NULL
PyArrow	`ArrowDtype`	Python-скаляры или `NA`	PyArrow

pandas и сторонние библиотеки могут расширять систему типов NumPy (см. расширенные типы). Метод верхнего уровня array() может использоваться для создания нового массива, который может храниться в Series, Index или в качестве столбца в DataFrame.

array(data[, dtype, copy])

Создать массив.

PyArrow

Предупреждение

Эта функция находится в стадии разработки, и API может измениться в будущих версиях без предупреждения.

Тип arrays.ArrowExtensionArray поддерживается pyarrow.ChunkedArray с pyarrow.DataType вместо массива NumPy и типа данных. Тип arrays.ArrowExtensionArray является ArrowDtype.

Pyarrow предоставляет поддержку массивов и типов данных, аналогичных NumPy, включая поддержку возможности NULL для всех типов данных, неизменяемость и многое другое.

Примечание

Для строковых типов (pyarrow.string(), string[pyarrow]) поддержка PyArrow по-прежнему обеспечивается arrays.ArrowStringArray и StringDtype("pyarrow"). См. раздел строки ниже.

Хотя отдельные значения в arrays.ArrowExtensionArray хранятся как объекты PyArrow, скаляры возвращаются как Python-скаляры, соответствующие типу данных, например, PyArrow int64 возвращается как Python int, или NA для пропущенных значений.

arrays.ArrowExtensionArray(values)

Pandas ExtensionArray, основанный на PyArrow ChunkedArray.

ArrowDtype(pyarrow_dtype)

ExtensionDtype для типов данных PyArrow.

Даты и время

NumPy не может напрямую представлять даты и время с учётом часового пояса. pandas поддерживает это с помощью расширения массива arrays.DatetimeArray, которое может хранить значения без учёта часового пояса или с учётом.

Timestamp, подкласс datetime.datetime, является скалярным типом pandas для данных даты и времени без учёта часового пояса или с учётом.

Timestamp([ts_input, freq, tz, unit, year, ...])

Замена объекта python datetime.datetime в pandas.

Свойства

`Timestamp.asm8`	Возвращает формат numpy datetime64 в наносекундах.
`Timestamp.day`
`Timestamp.dayofweek`	Возвращает день недели.
`Timestamp.day_of_week`	Возвращает день недели.
`Timestamp.dayofyear`	Возвращает день года.
`Timestamp.day_of_year`	Возвращает день года.
`Timestamp.days_in_month`	Возвращает количество дней в месяце.
`Timestamp.daysinmonth`	Возвращает количество дней в месяце.
`Timestamp.fold`
`Timestamp.hour`
`Timestamp.is_leap_year`	Возвращает True, если год високосный.
`Timestamp.is_month_end`	Возвращает True, если дата - последний день месяца.
`Timestamp.is_month_start`	Возвращает True, если дата - первый день месяца.
`Timestamp.is_quarter_end`	Возвращает True, если дата - последний день квартала.
`Timestamp.is_quarter_start`	Возвращает True, если дата - первый день квартала.
`Timestamp.is_year_end`	Возвращает True, если дата - последний день года.
`Timestamp.is_year_start`	Возвращает True, если дата - первый день года.
`Timestamp.max`
`Timestamp.microsecond`
`Timestamp.min`
`Timestamp.minute`
`Timestamp.month`
`Timestamp.nanosecond`
`Timestamp.quarter`	Возвращает квартал года.
`Timestamp.resolution`
`Timestamp.second`
`Timestamp.tz`	Псевдоним для tzinfo.
`Timestamp.tzinfo`
`Timestamp.value`
`Timestamp.week`	Возвращает номер недели года.
`Timestamp.weekofyear`	Возвращает номер недели года.
`Timestamp.year`

Методы

`Timestamp.astimezone`(tz)	Преобразование временной метки с учётом часового пояса в другой часовой пояс.
`Timestamp.ceil`(freq[, ambiguous, nonexistent])	Возвращает новую временную метку, округлённую до заданного разрешения.
`Timestamp.combine`(date, time)	Объединяет дату и время в datetime с теми же полями даты и времени.
`Timestamp.ctime`	Возвращает строку в формате ctime().
`Timestamp.date`	Возвращает объект date с тем же годом, месяцем и днём.
`Timestamp.day_name`	Возвращает имя дня недели временной метки с указанным языковым стандартом.
`Timestamp.dst`	Возвращает self.tzinfo.dst(self).
`Timestamp.floor`(freq[, ambiguous, nonexistent])	Возвращает новую временную метку, округлённую вниз до заданного разрешения.
`Timestamp.freq`
`Timestamp.freqstr`	Возвращает общее количество дней в месяце.
`Timestamp.fromordinal`(ordinal[, freq, tz])	Конструирует временную метку из пролептического григорианского порядкового номера.
`Timestamp.fromtimestamp`(ts)	Преобразует метку времени [, tz] в локальное время tz из POSIX-метки.
`Timestamp.isocalendar`	Возвращает кортеж из 3 элементов: год по ISO, номер недели и день недели.
`Timestamp.isoformat`	Возвращает отформатированную строку времени согласно ISO 8610.
`Timestamp.isoweekday`()	Возвращает день недели, представленный датой.
`Timestamp.month_name`	Возвращает имя месяца временной метки с указанным языковым стандартом.
`Timestamp.normalize`	Нормализует временную метку до полуночи, сохраняя информацию о часовом поясе.
`Timestamp.now`([tz])	Возвращает новый объект Timestamp, представляющий текущее время в локальном часовом поясе tz.
`Timestamp.replace`([year, month, day, hour, ...])	Реализует datetime.replace, обрабатывает наносекунды.
`Timestamp.round`(freq[, ambiguous, nonexistent])	Округляет временную метку до указанного разрешения.
`Timestamp.strftime`(format)	Возвращает отформатированную строку временной метки.
`Timestamp.strptime`(string, format)	Функция не реализована.
`Timestamp.time`	Возвращает объект time с тем же временем, но с tzinfo=None.
`Timestamp.timestamp`	Возвращает POSIX-метку времени в виде числа с плавающей точкой.
`Timestamp.timetuple`	Возвращает кортеж времени, совместимый с time.localtime().
`Timestamp.timetz`	Возвращает объект time с тем же временем и tzinfo.
`Timestamp.to_datetime64`	Возвращает объект numpy.datetime64 с точностью 'ns'.
`Timestamp.to_numpy`	Преобразует Timestamp в NumPy datetime64.
`Timestamp.to_julian_date`()	Преобразует временную метку в юлианскую дату.
`Timestamp.to_period`	Возвращает период, к которому относится эта временная метка.
`Timestamp.to_pydatetime`	Преобразует объект Timestamp в объект datetime Python.
`Timestamp.today`([tz])	Возвращает текущее время в локальном часовом поясе.
`Timestamp.toordinal`	Возвращает пролептический григорианский порядковый номер.
`Timestamp.tz_convert`(tz)	Преобразует временную метку с учётом часового пояса в другой часовой пояс.
`Timestamp.tz_localize`(tz[, ambiguous, ...])	Локализует временную метку в часовой пояс.
`Timestamp.tzname`	Возвращает self.tzinfo.tzname(self).
`Timestamp.utcfromtimestamp`(ts)	Конструирует неопределённую временную метку UTC из POSIX-метки времени.
`Timestamp.utcnow`()	Возвращает новую временную метку, представляющую текущее время по UTC.
`Timestamp.utcoffset`	Возвращает self.tzinfo.utcoffset(self).
`Timestamp.utctimetuple`	Возвращает кортеж UTC-времени, совместимый с time.localtime().
`Timestamp.weekday`()	Возвращает день недели, представленный датой.

Коллекция временных меток может храниться в arrays.DatetimeArray. Для данных с учётом часового пояса, .dtype объекта arrays.DatetimeArray — DatetimeTZDtype. Для данных без часового пояса используется np.dtype("datetime64[ns]").

Если данные с учётом часового пояса, то каждое значение в массиве должно иметь один и тот же часовой пояс.

arrays.DatetimeArray(values[, dtype, freq, copy])

Pandas ExtensionArray для данных datetime без или с учётом часового пояса.

DatetimeTZDtype([unit, tz])

Тип данных ExtensionDtype для данных datetime с учётом часового пояса.

Timedeltas

NumPy может напрямую представлять timedeltas. pandas предоставляет Timedelta для симметрии с Timestamp.

Timedelta([value, unit])

Представляет продолжительность, разницу между двумя датами или временем.

Свойства

`Timedelta.asm8`	Возвращает представление массива numpy timedelta64 как скаляр.
`Timedelta.components`	Возвращает кортеж компонентов.
`Timedelta.days`
`Timedelta.delta`	(УСТЕРЕЖДЁННО) Возвращает продолжительность в наносекундах (нс), для внутренней совместимости.
`Timedelta.freq`	(УСТЕРЕЖДЁННО) Свойство freq.
`Timedelta.is_populated`	(УСТЕРЕЖДЁННО) Свойство is_populated.
`Timedelta.max`
`Timedelta.microseconds`
`Timedelta.min`
`Timedelta.nanoseconds`	Возвращает количество наносекунд (n), где 0 <= n < 1 микросекунда.
`Timedelta.resolution`
`Timedelta.seconds`
`Timedelta.value`
`Timedelta.view`	Совместимость с видами массивов.

Методы

`Timedelta.ceil`(freq)	Возвращает новый Timedelta, округлённый до указанного разрешения.
`Timedelta.floor`(freq)	Возвращает новый Timedelta, округленный вниз до указанного разрешения.
`Timedelta.isoformat`	Форматирует Timedelta в формате ISO 8601 Duration.
`Timedelta.round`(freq)	Округляет Timedelta до указанного разрешения.
`Timedelta.to_pytimedelta`	Преобразует объект pandas Timedelta в объект python `datetime.timedelta`.
`Timedelta.to_timedelta64`	Возвращает объект numpy.timedelta64 с точностью 'ns'.
`Timedelta.to_numpy`	Преобразует Timedelta в NumPy timedelta64.
`Timedelta.total_seconds`	Полные секунды в продолжительности.

Коллекция Timedelta может храниться в TimedeltaArray.

arrays.TimedeltaArray(values[, dtype, freq, ...])

Pandas ExtensionArray для данных timedelta.

Периоды

pandas представляет промежутки времени как объекты Period.

Период

Period([value, freq, ordinal, year, month, ...])

Представляет период времени.

Свойства

`Period.day`	Получить день месяца, на который выпадает период.
`Period.dayofweek`	День недели, в который попадает период, где понедельник=0, а воскресенье=6.
`Period.day_of_week`	День недели, в который попадает период, где понедельник=0, а воскресенье=6.
`Period.dayofyear`	Возвращает день года.
`Period.day_of_year`	Возвращает день года.
`Period.days_in_month`	Получить общее количество дней в месяце, на который выпадает данный период.
`Period.daysinmonth`	Получить общее количество дней в месяце, на который выпадает данный период.
`Period.end_time`	Получить объект Timestamp для конца периода.
`Period.freq`
`Period.freqstr`	Возвращает строковое представление частоты.
`Period.hour`	Получить час периода.
`Period.is_leap_year`	Возвращает True, если год периода високосный.
`Period.minute`	Получить минуту периода.
`Period.month`	Возвращает месяц периода.
`Period.ordinal`
`Period.quarter`	Возвращает квартал периода.
`Period.qyear`	Финансовый год, в который попадает период, согласно начальному кварталу.
`Period.second`	Получить секунды периода.
`Period.start_time`	Получить объект Timestamp для начала периода.
`Period.week`	Получить номер недели года для данного периода.
`Period.weekday`	День недели, в который попадает период, где понедельник=0, а воскресенье=6.
`Period.weekofyear`	Получить номер недели года для данного периода.
`Period.year`	Возвращает год периода.

Методы

`Period.asfreq`	Преобразовать Period к заданной частоте в начале или конце интервала.
`Period.now`	Возвращает текущий период.
`Period.strftime`	Возвращает отформатированную строку представления `Period`.
`Period.to_timestamp`	Возвращает представление Period в формате Timestamp.

Коллекция Period может храниться в arrays.PeriodArray. Каждый период в arrays.PeriodArray должен иметь одинаковую freq.

arrays.PeriodArray(values[, dtype, freq, copy])

Расширенный массив Pandas для хранения данных Period.

PeriodDtype([freq])

Тип данных ExtensionDtype для данных Period.

Интервалы

Произвольные интервалы могут быть представлены как объекты Interval.

Interval

Неизменяемый объект, реализующий интервал, ограниченный срез-подобный интервал.

Свойства

`Interval.closed`	Строка, описывающая включительную сторону интервалов.
`Interval.closed_left`	Проверка, является ли интервал закрытым слева.
`Interval.closed_right`	Проверка, является ли интервал закрытым справа.
`Interval.is_empty`	Указывает, является ли интервал пустым, то есть не содержит никаких точек.
`Interval.left`	Левая граница интервала.
`Interval.length`	Возвращает длину интервала.
`Interval.mid`	Возвращает середину интервала.
`Interval.open_left`	Проверка, является ли интервал открытым слева.
`Interval.open_right`	Проверка, является ли интервал открытым справа.
`Interval.overlaps`	Проверка перекрытия двух объектов Interval.
`Interval.right`	Правая граница интервала.

Коллекция интервалов может быть хранима в arrays.IntervalArray.

arrays.IntervalArray(data[, closed, dtype, ...])

Массив Pandas для данных интервалов, которые закрыты с одной и той же стороны.

IntervalDtype([subtype, closed])

Тип расширения для данных интервала.

Целые числа с возможными пропущенными значениями

numpy.ndarray не может напрямую представлять целочисленные данные с пропущенными значениями. pandas предоставляет это через arrays.IntegerArray.

arrays.IntegerArray(values, mask[, copy])

Массив целых чисел (с возможными пропущенными значениями).

`Int8Dtype`()	Тип расширения для целочисленных данных int8.
`Int16Dtype`()	Тип расширения для целочисленных данных int16.
`Int32Dtype`()	Тип расширения для целочисленных данных int32.
`Int64Dtype`()	Тип расширения для целочисленных данных int64.
`UInt8Dtype`()	Тип расширения для целочисленных данных uint8.
`UInt16Dtype`()	Тип расширения для целочисленных данных uint16.
`UInt32Dtype`()	Тип расширения для целочисленных данных uint32.
`UInt64Dtype`()	Тип расширения для целочисленных данных uint64.

Категориальные

pandas определяет пользовательский тип данных для представления данных, которые могут принимать только ограниченный, фиксированный набор значений. Тип данных Categorical можно описать с помощью CategoricalDtype.

CategoricalDtype([categories, ordered])

Тип для категориальных данных с категориями и упорядоченностью.

`CategoricalDtype.categories`	Массив `Index`, содержащий уникальные разрешенные категории.
`CategoricalDtype.ordered`	Указывают, существует ли упорядоченное отношение между категориями.

Категориальные данные могут храниться в pandas.Categorical

Categorical(values[, categories, ordered, ...])

Представляет категориальную переменную в стиле классического R / S-plus.

Альтернативный конструктор Categorical.from_codes() можно использовать, если у вас уже есть категории и целочисленные коды:

Categorical.from_codes(codes[, categories, ...])

Создаёт тип Categorical из кодов и категорий или типа данных.

Информация о типе данных доступна в Categorical

`Categorical.dtype`	Тип данных для этого экземпляра.
`Categorical.categories`	Категории данного категориального типа.
`Categorical.ordered`	Указывают, существует ли упорядоченное отношение между категориями.
`Categorical.codes`	Коды категорий данного категориального типа.

np.asarray(categorical) работает, реализуя интерфейс массива. Имейте в виду, что это преобразует Categorical обратно в массив NumPy, поэтому информация о категориях и порядке не сохраняется!

Categorical.__array__([dtype])

Интерфейс массива NumPy.

Categorical можно хранить в Series или DataFrame. Для создания Series типа category, используйте cat = s.astype(dtype) или Series(..., dtype=dtype), где dtype это

строка 'category'
экземпляр CategoricalDtype.

Если Series имеет тип CategoricalDtype, можно использовать Series.cat для изменения категориальных данных. Подробнее см. Аксессор категориальных данных.

Разреженные

Данные, в которых одно значение повторяется много раз (например, 0 или NaN) могут храниться эффективно как arrays.SparseArray.

arrays.SparseArray(data[, sparse_index, ...])

Расширенный массив для хранения разреженных данных.

SparseDtype([dtype, fill_value])

Тип данных для данных, хранящихся в SparseArray.

Аксессор Series.sparse может использоваться для доступа к атрибутам и методам, специфичным для разреженных данных, если Series содержит разреженные значения. Подробнее см. Аксессор разреженных данных и руководство пользователя.

Строки

При работе с текстовыми данными, где каждый допустимый элемент — это строка или пропуск, рекомендуется использовать StringDtype (с псевдонимом "string").

`arrays.StringArray`(values[, copy])	Расширенный массив для строковых данных.
`arrays.ArrowStringArray`(values)	Расширенный массив для строковых данных в `pyarrow.ChunkedArray`.

StringDtype([storage])

Расширенный тип данных для строковых данных.

Аксессор Series.str доступен для Series, поддерживаемого arrays.StringArray. Подробнее см. Обработка строк.

Необязательные булевы

Тип данных bool (с псевдонимом "boolean") предоставляет поддержку хранения булевых данных (True, False) с пропущенными значениями, что невозможно сделать с bool numpy.ndarray.

arrays.BooleanArray(values, mask[, copy])

Массив булевых (True/False) данных с пропущенными значениями.

BooleanDtype()

Расширенный тип данных для булевых данных.

Утилиты

Конструкторы

`api.types.union_categoricals`(to_union[, ...])	Объединить список категорий, объединяя категории.
`api.types.infer_dtype`	Возвращает строковое обозначение типа скаляра или списка значений.
`api.types.pandas_dtype`(dtype)	Преобразовать входной тип в объект типа pandas или объект типа numpy.

Определение типа данных

`api.types.is_bool_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных булевым типом.
`api.types.is_categorical_dtype`(arr_or_dtype)	Проверить, является ли массив или тип данных типом Categorical.
`api.types.is_complex_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных комплексным типом.
`api.types.is_datetime64_any_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных типом datetime64.
`api.types.is_datetime64_dtype`(arr_or_dtype)	Проверить, является ли массив или тип данных типом datetime64.
`api.types.is_datetime64_ns_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных типом datetime64[ns].
`api.types.is_datetime64tz_dtype`(arr_or_dtype)	Проверить, является ли массив или тип данных типом DatetimeTZDtype.
`api.types.is_extension_type`(arr)	(УСТАРЕЛО) Проверить, является ли массив экземпляром класса расширения pandas.
`api.types.is_extension_array_dtype`(arr_or_dtype)	Проверить, является ли объект типом массива расширения pandas.
`api.types.is_float_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных типом float.
`api.types.is_int64_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных типом int64.
`api.types.is_integer_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных целым типом.
`api.types.is_interval_dtype`(arr_or_dtype)	Проверить, является ли массив или тип данных типом Interval.
`api.types.is_numeric_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных числовым типом.
`api.types.is_object_dtype`(arr_or_dtype)	Проверить, является ли массив или тип данных типом object.
`api.types.is_period_dtype`(arr_or_dtype)	Проверить, является ли массив или тип данных типом Period.
`api.types.is_signed_integer_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных знаковым целым типом.
`api.types.is_string_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных строковым типом.
`api.types.is_timedelta64_dtype`(arr_or_dtype)	Проверить, является ли массив или тип данных типом timedelta64.
`api.types.is_timedelta64_ns_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных типом timedelta64[ns].
`api.types.is_unsigned_integer_dtype`(arr_or_dtype)	Проверить, является ли предоставленный массив или тип данных беззнаковым целым типом.
`api.types.is_sparse`(arr)	Проверить, является ли массив одномерным разреженным массивом pandas.

Интроспекция итерируемых объектов

`api.types.is_dict_like`(obj)	Проверить, является ли объект похожим на словарь.
`api.types.is_file_like`(obj)	Проверить, является ли объект объектом типа "файл".
`api.types.is_list_like`	Проверить, является ли объект похожим на список.
`api.types.is_named_tuple`(obj)	Проверить, является ли объект именованной кортежем.
`api.types.is_iterator`	Проверить, является ли объект итератором.

Вспомогательные средства для скаляров

`api.types.is_bool`	Возвращает True, если заданный объект является булевым.
`api.types.is_categorical`(arr)	(УСТЕРЕЖЕН) Проверка, является ли массив-подобный экземпляром Categorical.
`api.types.is_complex`	Возвращает True, если заданный объект является комплексным.
`api.types.is_float`	Возвращает True, если заданный объект является числом с плавающей точкой.
`api.types.is_hashable`(obj)	Возвращает True, если функция hash(obj) выполнится успешно, в противном случае — False.
`api.types.is_integer`	Возвращает True, если заданный объект является целым числом.
`api.types.is_interval`
`api.types.is_number`(obj)	Проверяет, является ли объект числом.
`api.types.is_re`(obj)	Проверяет, является ли объект экземпляром шаблона регулярного выражения.
`api.types.is_re_compilable`(obj)	Проверяет, может ли объект быть скомпилирован в экземпляр шаблона регулярного выражения.
`api.types.is_scalar`	Возвращает True, если заданный объект является скаляром.

© 2008–2022, AQR Capital Management, LLC, Lambda Foundry, Inc. and PyData Development Team
Licensed under the 3-clause BSD License.
https://pandas.pydata.org/pandas-docs/version/1.5.0/reference/arrays.html