python数据处理之Pandas类型转换的实现_python_

转换为字符串类型

tips['sex_str'] = tips['sex'].astype(str)

转换为数值类型

转为数值类型还可以使用to_numeric()函数

DataFrame每一列的数据类型必须相同，当有些数据中有缺失，但不是NaN时（如missing,null等），会使整列数据变成字符串类型而不是数值型，这个时候可以使用to_numeric处理

#创造包含'missing'为缺失值的数据 tips_sub_miss = tips.head(10) tips_sub_miss.loc[[1,3,5,7],'total_bill'] = 'missing' tips_sub_miss 

自动转换为了字符串类型:

使用astype转换报错：

tips_sub_miss['total_bill'].astype(float) 

使用to_numeric()函数：

直接使用to_numeric()函数还是会报错，添加errors参数

errors可变参数：

• ignore 遇到错误跳过 （只是跳过没转类型）
• coerce 遇到不能转的值强转为NaN

pd.to_numeric(tips_sub_miss['total_bill'],errors='ignore')

pd.to_numeric(tips_sub_miss['total_bill'],errors='coerce')

to_numeric向下转型:

downcast参数

• integer 和 signed最小的有符号int dtype
• float 最小的float dtype
• unsigned 最小的无符号int dtype

downcast参数设置为float之后, total_bill的数据类型由float64变为float32

pd.to_numeric(tips_sub_miss['total_bill'],errors='coerce',downcast='float')

分类数据（Category）

利用pd.Categorical()创建categorical数据，Categorical()常用三个参数

• 参1 values，如果values中的值，不在categories参数中，会被NaN代替
• 参2 categories，指定可能存在的类别数据
• 参3 ordered, 是否指定顺序

s = pd.Series(pd.Categorical(["a","b","c","d"],categories=['c','b','a']))

分类数据排序会自动根据分类排序：

ordered指定顺序：

from pandas.api.types import CategoricalDtype # 创建一个分类 ordered 指定顺序 cat = CategoricalDtype(categories=['B','D','A','C'],ordered=True) # 指定series_cat1转换类型为创建的分类类型 series_cat1 = series_cat.astype(cat) print(series_cat.sort_values()) print(series_cat1.sort_values()) 

数据类型小结

 到此这篇关于python数据处理之Pandas类型转换的实现的文章就介绍到这了,更多相关-Pandas类型转换内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！

提示： 本文由神整理自网络，如有侵权请联系本站删除！
本站声明：
1、本站所有资源均来源于互联网，不保证100%完整、不提供任何技术支持；
2、本站所发布的文章以及附件仅限用于学习和研究目的;不得将用于商业或者非法用途；否则由此产生的法律后果，本站概不负责！