Calling methods on invalid types
まだ誰も着手していません。
評価
- 難易度
- 5/5
- 見積もり時間
- 1週間以上
- 初心者へのやさしさ
- 25/100
調査の方向性
まずリンクされたディスカッション、issue #11、issue #6を読み、その後、示されているDataFrameとSeriesのreductionケースを比較してください。issueでは実装ファイルやテストは指定されていません。完了には、無効なDtypesに対する合意済みのポリシーと、各操作間で一貫した動作が必要です。
索引モデルが issue の本文から書いたものです。
説明
This is a follow up of the discussions in:
- https://github.com/pydata-apis/dataframe-api/issues/6#issuecomment-639754182
- #11 (question:
pandas has parameters (bool_only, numeric_only) to let only apply the operation over columns of certain types only. Do we want it?)
See this example:
>>> df[['name', 'population']].mean()
population 2.729748e+07
dtype: float64
Even if the name column is selected, it is being ignored, since the mean of a string columns does not make sense. As opposed to raising an exception.
Many reductions implement a parameter to let control this behavior:
df[['name', 'population']].mean(numeric_only=False)
TypeError: could not convert string to float:
If we consider more methods to be applied directly over a dataframe, for example:
>>> df[['first_'name', 'last_name']].str.lower()
We may end up with a huge amount of string_only, bool_only, numeric_only parameters. All meaning something similar, but IMO adding a decent amount of complexity, and being difficult to keep the behavior consistent.
My preference would be to always raise, but being a software engineer I'm biased, and I guess many users may want this "magic".
So, I guess implementing an option, for example: pandas.options.mode.invalid_dtype {raise or skip} could make more sense.
The main problem with this approach is probably that it's not as easy to define the behavior for each operation:
(df.mean(numeric_only=True)
.mean(numeric_only=False))
Personally, I don't see this as an issue. IMO, the behavior depends more on the user than on the operation. I'd say for production code, having to be explicit, and selecting the columns to operate with, makes more sense. While in a notebook, avoiding exceptions with this sort of "magic" seems to be more useful.
I guess for Series/1-column DataFrame (see #6) it always makes sense to raise an exception.
Thoughts?
- 主要言語
- Python
- スター
- 106
- フォーク
- 22
- PR マージ指標
- 30日以内にマージされた PR はありません
環境構築
このプロジェクトには開発コンテナ、Dockerfile、コントリビューションガイドがありません。まず README を読み、一般的な手順ははじめてのコントリビューションガイドを参照してください。
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
data-apis/dataframe-api のほかの issue
-
難易度 5/5 1週間以上 初心者へのやさしさ 25/100
data-apis/dataframe-api#363 · コメント 1 件 · リアクション 8 件 ·
-
API design
難易度 5/5 1週間以上 初心者へのやさしさ 25/100
data-apis/dataframe-api#356 · コメント 1 件 ·
-
難易度 4/5 3〜5日 初心者へのやさしさ 25/100
data-apis/dataframe-api#355 ·
-
難易度 5/5 1週間以上 初心者へのやさしさ 25/100
data-apis/dataframe-api#352 ·
-
難易度 5/5 1週間以上 初心者へのやさしさ 25/100
data-apis/dataframe-api#351 ·
data-apis/dataframe-api の issue をすべて見る
似ている issue
-
Agentic
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 82/100
Imbad0202/academic-research-skills#979 ·
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
reflex-dev/reflex#7561 · コメント 1 件 ·
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
-
難易度 2/5 1〜3時間 初心者へのやさしさ 62/100
prometheus-community/ansible#906 · コメント 2 件 ·