Data types to support
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 25/100
Direzione di ricerca
Inizia leggendo la discussione in data-apis/array-api#15 e la documentazione collegata sui tipi di dati di Apache Arrow. Esamina i tipi obbligatori e opzionali elencati, inclusi categorical e datetime64, insieme alla issue separata sui dati mancanti #9. Il lavoro è completato quando i tipi di dati supportati dallo standard, opzionali e fuori ambito, nonché le aspettative per l’implementazione, sono stati decisi e documentati.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
What data types should be part of the standard? For the array API, the types have been discussed here.
A good reference for data types for data frames is the Arrow data types documentation. The page probably contains many more types than the ones we want to support in the standard.
Topics to make decisions on:
- Which data types should be supported by the standard?
- Are implementation expected to provided extra data types? Should we have a list of optional types, or consider out of scope types not part of the standard?
- Missing data is discussed separately in #9
These are IMO the main types (feel free to disagree):
- boolean
- int8 / uint8
- int16 / uint16
- int32 / uint32
- int64 / uint64
- float32
- float64
- string (I guess the main use cases is variable length strings, but should we consider fixed length strings?)
- categorical (would make sense to have categorical8, categorical16,... for different representations of the categories with uint8, uint16...?)
- datetime64 (requires discussion, pandas uses nanoseconds as unit since epoch, which can represent from years 1677 to 2262)
Some other types that could be considered:
- decimal
- python object
- binary
- date
- time
- timedelta
- period
- complex
And also types based on other types that could be considered:
- date + timezone
- numeric + unit
- interval
- struct
- list
- mapping
- Lingua principale
- Python
- Stelle
- 106
- Fork
- 22
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di data-apis/dataframe-api
-
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
data-apis/dataframe-api#363 · 1 commento · 8 reazioni ·
-
Row ordering design choiceApertaAPI design
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
data-apis/dataframe-api#356 · 1 commento ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 25/100
data-apis/dataframe-api#355 ·
-
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
data-apis/dataframe-api#352 ·
-
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
data-apis/dataframe-api#351 ·
Tutte le issue di data-apis/dataframe-api
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
-
good first issue No-AI
Difficoltà 2/5 1-3 ore Idoneità per principianti 69/100
-
documentation
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
-
🐛 Bug: Calendar work items cannot be opened on mobileForse già presa Una pull request collegata a questa issue è aperta o già unita. Aperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 75/100
I maintainer di solito rispondono entro 1 giorno
-
bug
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
I maintainer di solito rispondono entro 2 giorni