Pandas 3.0 ในปี 2026: API ใหม่, Breaking Changes และคำถามสัมภาษณ์งาน

Pandas 3.0 เปิดตัวเมื่อวันที่ 21 มกราคม 2026 นำเสนอการเปลี่ยนแปลงสถาปัตยกรรมที่สำคัญที่สุดนับตั้งแต่ยุค 1.x ของไลบรารี Copy-on-Write กลายเป็นพฤติกรรมเริ่มต้น คอลัมน์ string เปลี่ยนไปใช้ dtype ที่อิงบน PyArrow และ expression builder pd.col() ตัวใหม่เสนอทางเลือกที่สะอาดกว่าฟังก์ชัน lambda การเปลี่ยนแปลงเหล่านี้ส่งผลกระทบต่อทุก codebase ที่มีอยู่ และถูกทดสอบมากขึ้นในการสัมภาษณ์งาน data engineering

Copy-on-Write: จุดสิ้นสุดของ SettingWithCopyWarning

Copy-on-Write (CoW) เปลี่ยนแปลงวิธีการที่ pandas จัดการการแชร์หน่วยความจำระหว่าง DataFrame อย่างถอนรากถอนโคน ทุกการดำเนินการ indexing จะส่งคืนสิ่งที่ทำงานเหมือนสำเนา แต่ภายใน pandas ยังคงแชร์หน่วยความจำจนกว่าจะมีการเปลี่ยนแปลงเกิดขึ้นจริง

ผลกระทบในทางปฏิบัติ: SettingWithCopyWarning ไม่มีอยู่อีกต่อไป รูปแบบ chained assignment อย่าง df[df['A'] > 0]['B'] = 1 จะเกิด ChainedAssignmentError เพราะผลลัพธ์ indexing ตัวกลางเป็นสำเนา

# migration_cow.py
import pandas as pd

df = pd.DataFrame({"price": [100, 200, 300], "category": ["A", "B", "A"]})

# รูปแบบ Pandas 2.x (ตอนนี้จะเกิด ChainedAssignmentError)
# df[df["category"] == "A"]["price"] = 150  # ใช้ไม่ได้ใน 3.0

# รูปแบบที่ถูกต้องใน Pandas 3.0: ใช้ .loc[]
df.loc[df["category"] == "A", "price"] = 150

# การแชร์หน่วยความจำ CoW ในการทำงาน
df2 = df[["price"]]  # แชร์หน่วยความจำกับ df
df2["price"] = df2["price"] * 2  # สำเนาถูกสร้างเฉพาะตรงนี้
# df ไม่เปลี่ยนแปลง - ไม่มีผลข้างเคียง

อาร์กิวเมนต์ keyword copy ในทุก method ไม่มีผลอีกต่อไปและสามารถลบออกได้อย่างปลอดภัยจากโค้ดที่มีอยู่ Method ที่รองรับ inplace=True (replace(), fillna(), ffill(), bfill(), clip()) จะส่งคืน self แทน None ทำให้สามารถ method chaining ได้แม้กับการดำเนินการ in-place

PyArrow String Backend: การดำเนินการ String เร็วขึ้น 5-10 เท่า

Pandas 3.0 สรุปคอลัมน์ string เป็น dtype str เฉพาะทางที่รองรับโดย Apache Arrow แทนที่ dtype object แบบเดิม หาก PyArrow ไม่ได้ถูกติดตั้ง ระบบจะใช้ NumPy object array เป็นทางเลือก

การเพิ่มประสิทธิภาพนั้นมีนัยสำคัญ: .str.contains(), .str.lower() และ string method อื่นๆ ทำงานเร็วขึ้น 5-10 เท่า การใช้หน่วยความจำสำหรับคอลัมน์ที่มีข้อความมากลดลงถึง 50% รูปแบบ columnar ของ Arrow ยังช่วยให้แลกเปลี่ยนข้อมูลแบบ zero-copy กับ Polars, DuckDB และเครื่องมือที่ใช้ Arrow อื่นๆ

# string_dtype_comparison.py
import pandas as pd
import numpy as np

# Pandas 3.0: คอลัมน์ string เป็น str[pyarrow] โดยอัตโนมัติ
df = pd.DataFrame({"name": ["Alice", "Bob", "Charlie", None]})
print(df.dtypes)
# name    string[pyarrow]
# dtype: object

# ค่าที่หายไปใช้ NaN (ไม่ใช่ pd.NA) ตรงกับ dtype เริ่มต้นอื่นๆ
print(df["name"].isna())  # True สำหรับรายการ None

# ทำงานร่วมกับ DuckDB ได้โดยตรง (zero-copy)
import duckdb
result = duckdb.sql("SELECT name FROM df WHERE name LIKE '%li%'").df()

ข้อจำกัดที่สำคัญประการหนึ่ง: อาร์เรย์ PyArrow เป็น immutable การแปลงคอลัมน์ที่ใช้ PyArrow เป็น NumPy array ที่เขียนได้ต้องทำสำเนาอย่างชัดเจนผ่าน .to_numpy(copy=True)

Expression Builder pd.col()

Pandas 3.0 แนะนำ pd.col() ในฐานะวิธีการแบบ declarative สำหรับการอ้างอิงคอลัมน์ DataFrame และสร้างนิพจน์ ไวยากรณ์ได้รับแรงบันดาลใจจาก PySpark และ Polars แก้ปัญหาที่รู้กันดีเกี่ยวกับ lambda scoping และความทึบ

# col_expressions.py
import pandas as pd

df = pd.DataFrame({
    "revenue": [1000, 2500, 800, 3200],
    "cost": [400, 1200, 600, 1500],
    "region": ["US", "EU", "US", "APAC"]
})

# ก่อน: ใช้ lambda (ทึบ, มีปัญหา scoping ในลูป)
df = df.assign(profit=lambda x: x["revenue"] - x["cost"])

# หลัง: pd.col() (declarative, ตรวจสอบได้)
df = df.assign(
    profit=pd.col("revenue") - pd.col("cost"),
    margin=((pd.col("revenue") - pd.col("cost")) / pd.col("revenue") * 100)
)

# การกรองด้วย pd.col()
high_margin = df.loc[pd.col("margin") > 50]

ข้อได้เปรียบหลักเหนือ lambda ปรากฏในลูป ที่ closure ของ lambda จับตัวแปรโดยการอ้างอิงและสร้างผลลัพธ์ที่ไม่ถูกต้อง:

# loop_scoping_fix.py
import pandas as pd

df = pd.DataFrame({"base": [10, 20, 30]})

# บัก lambda: ทุกคอลัมน์ใช้ factor=30 (ค่าลูปสุดท้าย)
# cols = {}
# for factor in [2, 5, 10]:
#     cols[f"x{factor}"] = lambda x: x["base"] * factor  # บัก

# แก้ด้วย pd.col(): แต่ละนิพจน์จับค่าที่ถูกต้อง
cols = {}
for factor in [2, 5, 10]:
    cols[f"x{factor}"] = pd.col("base") * factor  # ถูกต้อง
df = df.assign(**cols)

ตั้งแต่ pandas 3.0.2 เป็นต้นไป pd.col() ยังใช้งานได้ใน Series.case_when() การรวมกลุ่ม groupby ยังไม่รองรับ

Breaking Changes: รายการตรวจสอบการย้ายระบบฉบับสมบูรณ์

ตารางต่อไปนี้สรุป breaking changes ที่มีแนวโน้มจะปรากฏมากที่สุดระหว่างการย้ายจาก pandas 2.x:

| การเปลี่ยนแปลง | พฤติกรรม Pandas 2.x | พฤติกรรม Pandas 3.0 | วิธีแก้ | |----------------|---------------------|---------------------|--------| | Chained assignment | SettingWithCopyWarning | ChainedAssignmentError | ใช้ .loc[] | | String dtype | object | string[pyarrow] | อัปเดตการตรวจสอบ dtype | | Keyword copy= | สร้างสำเนา | ไม่มีผล (deprecated) | ลบอาร์กิวเมนต์ | | groupby(observed=) | ค่าเริ่มต้น False | ค่าเริ่มต้น True | ตั้งค่าอย่างชัดเจน | | Index.sort_values() | args ตำแหน่งได้ | keyword-only args | ตั้งชื่อทุกอาร์กิวเมนต์ | | offsets.Day | ช่วง 24 ชม. คงที่ | Calendar-day (DST-aware) | ทบทวนลอจิก timezone | | Categorical.map(na_action=) | ค่าเริ่มต้น None | ค่าเริ่มต้นเปลี่ยน | ตั้งค่าอย่างชัดเจน | | str.contains(na=) | รับ non-bool ได้ | bool หรือ None เท่านั้น | แก้ไขพารามิเตอร์ na |

เส้นทางการอัปเกรดที่แนะนำ: ก่อนอื่นอัปเกรดเป็น pandas 2.3 แก้ไข deprecation warning ทั้งหมด จากนั้นย้ายไป 3.0

นโยบาย Deprecation ใหม่: Pandas4Warning และ Pandas5Warning

Pandas 3.0 แนะนำวงจร deprecation 3 ระยะที่มีโครงสร้าง ฟีเจอร์จะเริ่มส่ง DeprecationWarning มาตรฐาน จากนั้นเปลี่ยนเป็น FutureWarning ในรุ่น minor สุดท้ายก่อน major ถัดไป และสุดท้ายถูกลบออกในรุ่น major

คลาส warning ใหม่สองตัวช่วยให้กรอง warning ตามเวอร์ชันเป้าหมายได้ง่ายขึ้น:

# filter_warnings.py
import warnings
import pandas as pd

# จับเฉพาะการเปลี่ยนแปลงที่จะมาใน pandas 4.0
warnings.filterwarnings("error", category=pd.errors.Pandas4Warning)

# จับการเปลี่ยนแปลงที่จะมาใน pandas 5.0
warnings.filterwarnings("default", category=pd.errors.Pandas5Warning)

นโยบายนี้ให้ผู้ดูแลไลบรารีมีอย่างน้อยสองรอบรุ่น minor ในการปรับตัวก่อนที่ breaking changes จะถูกนำมาใช้

คำถามสัมภาษณ์: Deep Dive Pandas 3.0

คำถามต่อไปนี้ปรากฏในการสัมภาษณ์ data engineering และ analytics ในปี 2026 ทดสอบทั้งความเข้าใจทางทฤษฎีและประสบการณ์การย้ายระบบจริง

Q1: อธิบาย Copy-on-Write ใน pandas 3.0 ทำไมจึงถูกนำมาใช้?

CoW รับประกันว่าทุก DataFrame หรือ Series ที่ส่งคืนจากการดำเนินการ indexing จะทำงานเหมือนสำเนาอิสระ ภายใน pandas แชร์หน่วยความจำระหว่างต้นฉบับกับผลลัพธ์จนกว่าตัวใดตัวหนึ่งจะถูกเปลี่ยนแปลง ณ จุดนั้นสำเนาทางกายภาพจะเกิดขึ้น สิ่งนี้ขจัดความคลุมเครือระหว่าง view กับ copy ที่ทำให้เกิด SettingWithCopyWarning ป้องกันการเสียหายของข้อมูลโดยไม่ตั้งใจผ่านผลข้างเคียง และลดการใช้หน่วยความจำสำหรับ workload ที่อ่านมาก

Q2: เกิดอะไรขึ้นกับ df[condition]['col'] = value ใน pandas 3.0?

มันเกิด ChainedAssignmentError ตัวกลาง df[condition] ตอนนี้เป็นสำเนาเสมอ (เนื่องจาก CoW) ดังนั้นการกำหนดค่าให้คอลัมน์บนสำเนานั้นไม่มีผลต่อ DataFrame ต้นฉบับ รูปแบบที่ถูกต้องคือ df.loc[condition, 'col'] = value

Q3: dtype string ใหม่ส่งผลต่อการทำงานร่วมกับเครื่องมืออื่นอย่างไร?

Dtype string ที่อิงบน PyArrow เก็บข้อมูลในรูปแบบ columnar ของ Apache Arrow สิ่งนี้ช่วยให้สามารถถ่ายโอนข้อมูลแบบ zero-copy ไปยังเครื่องมือที่ใช้ Arrow อื่นๆ (Polars, DuckDB, Spark ผ่าน PyArrow) โดยไม่มี overhead ของ serialization นอกจากนี้ยังลดการใช้หน่วยความจำเมื่อเทียบกับ Python object array เนื่องจาก Arrow ใช้ binary buffer แบบ compact แทนที่จะเป็นออบเจ็กต์ string Python แยกกัน

Q4: pd.col() แก้ปัญหาอะไรที่ lambda ทำไม่ได้?

pd.col() จับการอ้างอิงคอลัมน์และค่าในเวลาสร้างนิพจน์ ไม่ใช่ในเวลาดำเนินการ Lambda ใน Python จับตัวแปรโดยการอ้างอิง ซึ่งทำให้เกิดบักในลูปที่ lambda ทั้งหมดลงเอยด้วยการอ้างอิงตัวแปรลูปตัวสุดท้าย นอกจากนี้ นิพจน์ pd.col() สามารถตรวจสอบได้ (pandas สามารถปรับปรุงประสิทธิภาพได้) ในขณะที่ lambda เป็น callable ที่ทึบ

Q5: จะย้าย codebase จาก pandas 2.x ไปเป็น 3.0 ได้อย่างไร?

ขั้นตอนที่ 1: อัปเกรดเป็น pandas 2.3 และแก้ไข deprecation warning ทั้งหมด ขั้นตอนที่ 2: เปิดใช้ CoW opt-in ผ่าน pd.options.mode.copy_on_write = True (มีตั้งแต่ 2.0) และแก้รูปแบบ chained assignment ขั้นตอนที่ 3: ติดตั้ง PyArrow และทดสอบว่าการสรุป dtype string ไม่ทำให้ลอจิก downstream เสียหาย (โดยเฉพาะการตรวจสอบ dtype == object) ขั้นตอนที่ 4: อัปเกรดเป็น 3.0 และรัน test suite ทั้งหมด ขั้นตอนที่ 5: ลบอาร์กิวเมนต์ copy= ที่ไม่จำเป็นและอัปเดตการเรียก groupby(observed=)

Benchmark ประสิทธิภาพ: ก่อนและหลัง

ผลรวมของ CoW และ PyArrow string ให้การปรับปรุงที่วัดได้บน workload จริง:

# benchmark_example.py
import pandas as pd
import numpy as np

# สร้าง DataFrame ที่มี 1 ล้านแถวของข้อมูลผสม
rng = np.random.default_rng(42)
df = pd.DataFrame({
    "user_id": rng.integers(0, 100_000, size=1_000_000),
    "event": rng.choice(["click", "view", "purchase", "scroll"], size=1_000_000),
    "value": rng.exponential(50, size=1_000_000)
})

# การกรอง string: ~6x เร็วขึ้นด้วย PyArrow backend
clicks = df.loc[pd.col("event").str.contains("click")]

# หน่วยความจำ: คอลัมน์ string ใช้ RAM ~50% น้อยลง
print(df["event"].memory_usage(deep=True))  # ~8MB vs ~16MB ด้วย dtype object

# Subsetting: CoW หลีกเลี่ยงการคัดลอกจนกว่าจะมีการเปลี่ยนแปลง
subset = df[["user_id", "value"]]  # zero-copy (หน่วยความจำแชร์)
subset["value"] = subset["value"].clip(upper=500)  # สำเนาถูกสร้างเฉพาะตรงนี้

ใน pipeline ETL ที่ประมวลผล CSV ที่มีข้อความมากในระบบ production backend string PyArrow เพียงอย่างเดียวลดการใช้หน่วยความจำสูงสุด 30-40% และลดเวลาทำงานรวม 20-30% สำหรับการแปลงที่เน้น string

รูปแบบการย้ายระบบจริง: การแก้ไขในสถานการณ์จริง

Codebase pandas 2.x ทั่วไปต้องการ refactor เฉพาะเจาะจงดังต่อไปนี้:

# migration_patterns.py
import pandas as pd

# รูปแบบ 1: แทนที่ chained assignment
# ก่อน (pandas 2.x)
# df[df["status"] == "active"]["score"] = 100
# หลัง (pandas 3.0)
df.loc[df["status"] == "active", "score"] = 100

# รูปแบบ 2: ลบอาร์กิวเมนต์ copy=
# ก่อน
# subset = df[["a", "b"]].copy()  # ไม่จำเป็นด้วย CoW
# หลัง
subset = df[["a", "b"]]  # CoW จัดการการแยกโดยอัตโนมัติ

# รูปแบบ 3: อัปเดตการตรวจสอบ dtype สำหรับ string
# ก่อน
# if df["name"].dtype == object:
# หลัง
if pd.api.types.is_string_dtype(df["name"]):
    pass

# รูปแบบ 4: ตั้ง observed= อย่างชัดเจนใน groupby
# ก่อน (อาศัยค่าเริ่มต้น observed=False)
# df.groupby("category")["value"].sum()
# หลัง (ชัดเจนเพื่อความเข้าใจ)
df.groupby("category", observed=True)["value"].sum()

# รูปแบบ 5: Keyword-only Index.sort_values()
# ก่อน
# idx.sort_values(True, "first")
# หลัง
idx.sort_values(ascending=True, na_position="first")

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับทักษะพื้นฐาน pandas และ Python data analytics โมดูลคำถามสัมภาษณ์ครอบคลุมรูปแบบเหล่านี้อย่างละเอียด โมดูล SQL window functions เสริมความรู้ pandas สำหรับ pipeline วิเคราะห์แบบไฮบริด