Python 数据帧值C/F连续原因

对于数字数据类型，熊猫数据帧值被实现为C连续numpy数组；对于字符串（对象）数据类型，熊猫数据帧值被实现为F连续numpy数组，原因是什么

将numpy作为np导入，将pandas作为pd导入
ai=np.array（[[0,1,2]，[3,4,5]]，dtype=np.int64）
af=np.array（[[0,1,2.]，[3,4,5.]，dtype=np.float64）
ao=np.array（['000'、'111'、'222']、['333'、'444'、'555']]，dtype=object）
打印（'C-连续：'，
'i='，ai.flags['C_continuous']，
“f=”，af.flags['C_continuous']，
“o=”，ao.flags['C_continuous']，sep=”）
打印（'C-连续：'，
“i=”，pd.DataFrame（ai）.values.flags['C_Continental']，
“f=”，pd.DataFrame（af）.values.flags['C_continuous']，
“o=”，pd.DataFrame（ao.values.flags['C_Continental']，sep=”）

给予

C-连续：i=True f=True o=True
C-连续：i=真f=真o=假

---

谢谢你的帮助

pd.DataFrame（ai）.values

是

ai

的

视图。修改
ai
中的元素会更改数据帧中的相应元素。对于对象情况，情况并非如此<代码>值

是一个副本。这就好像面向列的

系列

是主要的数据存储，而不是

\u值

。但我不知道如何测试它。@hpaulj谢谢！我想知道将数据帧的

值

数组存储为对象的F-连续数组是否有任何好处。我发现自己不得不担心Cython中的数字和对象值需要使用什么类型的内存视图，并希望理解为什么会这样做。为什么将所有数据类型存储在C-连续数组中是个坏主意？我不知道在创建数据帧时我们对

值

属性有多大的控制。您是否正在考虑键入的内存视图？在

ndarray

和它们之间有很好的关系，但是我没有看到任何关于

pandas

和

cython

@hpaulj的信息。是的，我实际上在使用pandas数据帧，但是正如您所指出的，cython没有与pandas集成，实际上我正在使用底层的numpy阵列，由于数组实现了Python缓冲区协议，因此使用数组的最佳方式是在Cython级别表示缓冲区的类型化内存视图，在处理对象时，将每列的值存储在一起可能更方便，例如，作为Fortran连续。