npsql 0.1.0

设计目标

我对pandas很失望：这是一个复杂的切片语法（.loc，.x， 伊洛克。。等），它是强制索引列和我在 想要一个纽比阵列。使用Nptab，我创建了许多需要的简化熊猫 我的数据工作。只关注多数据类型表的简单切片 基本的表格工具。在

• 直观的简单切片。在
• 使用纽比机械，以达到最佳性能，与其他工具集成 以及未来的支持。在
• 按列numpy数组存储数据（column Store）。在
• 没有特定的索引列，所有列都可以用作索引，可以选择 由用户决定。在
• 排序、分组、联接和追加表格的基本必要条件。在

初始化

要设置Nptab：

>>> from npsql import Nptab
>>> npsql = Nptab([ ["John", "Joe", "Jane"],
...                [1.82,1.65,2.15],
...                [False,False,True]], columns = ["Name", "Height", "Married"])
>>> npsql
 Name   |   Height |   Married
--------+----------+-----------
 John   |     1.82 |         0
 Joe    |     1.65 |         0
 Jane   |     2.15 |         1
3 rows ['<U4', '<f8', '|b1']

或者，可以从字典、纽比数组、熊猫中设置表 数据帧，或者根本没有数据。数据库连接器通常以列表的形式返回数据 对于记录，该模块提供了一个方便的函数，可以将其转换为 列列表。在

切片

切片可以以numpy的方式进行，始终返回Nptab对象：

切片将始终返回Nptab，但以下三种情况除外：

1. 显式地请求一列，则返回numpy数组：

>>> npsql[1:3,'Name']       # doctest: +SKIP
array(['Joe', 'Jane'],
      dtype='<U4')

1. 显式地请求一行，则返回一个元组：

>>> npsql[0,:]
('John', 1.82, False)

1. 明确要求一个元素：

>>> npsql[0,'Name']
'John'

一般来说，切片是直观的，不会偏离预期 从纽比那里。除了一个额外的功能，列可以被名称称为 还有数字。在

设置

设置元素的工作原理与切片相同：

>>> npsql = Nptab({'Name' : ["John", "Joe", "Jane"], 'Height' : [1.82,1.65,2.15], 'Married': [False,False,True]})
>>> npsql[0,"Name"] = "Jos"
>>> npsql
 Name   |   Height |   Married
--------+----------+-----------
 Jos    |     1.82 |         0
 Joe    |     1.65 |         0
 Jane   |     2.15 |         1
3 rows ['<U4', '<f8', '|b1']

值预期具有的数据类型与数据类型a相同 切片的结果是。在

添加列与设置元素的工作原理相同，只需为其指定一个新名称：

>>> npsql = Nptab({'Name' : ["John", "Joe", "Jane"], 'Height' : [1.82,1.65,2.15], 'Married': [False,False,True]})
>>> npsql['new'] = [1,2,3]
>>> npsql
 Name   |   Height |   Married |   new
--------+----------+-----------+-------
 John   |     1.82 |         0 |     1
 Joe    |     1.65 |         0 |     2
 Jane   |     2.15 |         1 |     3
3 rows ['<U4', '<f8', '|b1', '<i8']

或将整列设置为相同的值：

>>> npsql = Nptab({'Name' : ["John", "Joe", "Jane"], 'Height' : [1.82,1.65,2.15], 'Married': [False,False,True]})
>>> npsql['new'] = 13
>>> npsql
 Name   |   Height |   Married |   new
--------+----------+-----------+-------
 John   |     1.82 |         0 |    13
 Joe    |     1.65 |         0 |    13
 Jane   |     2.15 |         1 |    13
3 rows ['<U4', '<f8', '|b1', '<i8']

就像numpy一样，切片不是数据的实际副本，而是它们 参考文献。在

追加Nptab和行

表格可以附加其他表格：

>>> npsql = Nptab({'Name' : ["John", "Joe", "Jane"], 'Height' : [1.82,1.65,2.15], 'Married': [False,False,True]})
>>> npsql += npsql
>>> npsql
 Name   |   Height |   Married
--------+----------+-----------
 John   |     1.82 |         0
 Joe    |     1.65 |         0
 Jane   |     2.15 |         1
 John   |     1.82 |         0
 Joe    |     1.65 |         0
 Jane   |     2.15 |         1
6 rows ['<U4', '<f8', '|b1']

或将行追加为字典：

>>> npsql = Nptab({'Name' : ["John", "Joe", "Jane"], 'Height' : [1.82,1.65,2.15], 'Married': [False,False,True]})
>>> npsql.row_append({'Height':1.81, 'Name':"Jack", 'Married':True})
>>> npsql
 Name   |   Height |   Married
--------+----------+-----------
 John   |     1.82 |         0
 Joe    |     1.65 |         0
 Jane   |     2.15 |         1
 Jack   |     1.81 |         1
4 rows ['<U4', '<f8', '|b1']

实例属性

您的数据被简单地存储为numpy数组的列表，并且可以访问或 像那样被操纵（只是不要搞得一团糟）：

>>> npsql = Nptab({'Name' : ["John", "Joe", "Jane"], 'Height' : [1.82,1.65,2.15], 'Married': [False,False,True]})
>>> npsql.columns
['Name', 'Height', 'Married']
>>> npsql.data        # doctest: +SKIP
[array(['John', 'Joe', 'Jane'],
      dtype='<U4'), array([ 1.82,  1.65,  2.15]), array([False, False,  True], dtype=bool)]

进一步评估数据大小的基本方法：

>>> npsql.shape
(3, 3)
>>> len(npsql)
3

熊猫

用于与流行的datatable框架接口，来回 很简单：

>>> import pandas as pd
>>> df = pd.DataFrame({'a':range(3),'b':range(10,13)})
>>> df
   a   b
0  0  10
1  1  11
2  2  12

要从数据帧生成Nptab，只需将其提供给initialize：

>>> npsql = Nptab(df)
>>> npsql
   a |   b
-----+-----
   0 |  10
   1 |  11
   2 |  12
3 rows ['<i8', '<i8']

Nptab的dict属性提供了一种从Nptab生成数据帧的方法：

>>> df = pd.DataFrame(npsql.dict)
>>> df
   a   b
0  0  10
1  1  11
2  2  12

测试时间：

• Python18.2.1.1