Python更改数据类型——astype（）⽅法和to_numeric（）函数⽂章⽬录
明确指定数据的类型
通过dtypes属性进⾏查看
import pandas as pd
df = pd.DataFrame({'A':['1','2','4'],
'B':['9','-80','5.3'],
'C':['x','5.9','0']})
print("df.dtypes:\n", df.dtypes)
print("df:\n", df)
输出结果：
df.dtypes:
A object
B object
C object
dtype:object
df:
A B C
019 x
12-805.9
245.30
创建Pandas对象指定数据类型
data = pd.DataFrame({'A':['1','2','4'],
'B':['9','80','5']},
dtype='int')
print("data:\n", data)
print("data.dtypes:\n", data.dtypes)
输出结果：
data:
A B
019
object to1280
245
data.dtypes:
A int32
B int32
dtype:object
转换数据类型
通过astype()⽅法强制转换数据的类型
astype(dypte, copy=True, errors = ‘raise’, **kwargs)
上述⽅法中部分参数表⽰的含义如下：
dtype：表⽰数据类型
copy：是否建⽴副本，默认为True
errors：错误采取的处理⽅式，可以取值为raise或ignore，默认为raise。其中raise表⽰允许引发异常，ignore表⽰抑制异常。
运⽤astype()⽅法将DataFrame对象df中B列数据的类型转换为int类型：
print("df['B']:\n", df['B'])
print("df['B'].astype:\n", df['B'].astype(dtype='float'))
df['B']:
09
1-80
2 5.3
Name: B, dtype:object
df['B'].astype:
09.0
1-80.0
2 5.3
Name: B, dtype: float64
之所以没有将所有列进⾏类型转换是因为C列中有⾮数字类型的字符，⽆法将其转换为int类型，若强制转换会出现ValueError异常。（当参数errors取值ignore时可以抑制异常，但抑制异常后输出结果仍是未转换类型之前的对象——也就是并未进⾏数据类型转换的操作，只是不会报错罢了）
print("df['C']:\n", df['C'])
print("df['C'].astype(errors='ignore'):\n", df['C'].astype(dtype='float', errors='ignore'))
输出结果：
df['C']:
0 x
1 5.9
20
Name: C, dtype:object
df['C'].astype(errors='ignore'):
0 x
1 5.9
20
Name: C, dtype:object
通过to_numeric()函数转换数据类型
to_numeric()函数不能直接操作DataFrame对象
<_numeric(arg, errors=‘raise’, downcast=None)
上述函数中常⽤参数表⽰的含义如下：
arg：表⽰要转换的数据，可以是list、tuple、Series
errors：错误采⽤的处理⽅式可以取值除raise、ignore外，还可以取值coerce，默认为raise。其中raise表⽰允许引发异常，ignore表⽰抑制异常。
to_numeric()函数较之astype()⽅法的优势在于解决了后者的局限性：只要待转换的数据中存在数字以外的字符，在使⽤后者进⾏类型转换时就会出现错误，⽽to_numeric()函数之所以可以解决这个问题，就源于其errors参数可以取值coerce——当出现⾮数字字符时，会将其替换为缺失值之后进⾏数据类型转换。
se = pd.Series(df['A'])
se1 = pd.Series(df['B'])
se2 = pd.Series(df['C'])
print("df['A']:\n", df['A'])
print("to_numeric(df['A']):\n", pd.to_numeric(se))
print("df['B']:\n", df['B'])
print("to_numeric(df['B']):\n", pd.to_numeric(se1))
print("df['C']:\n", df['C'])
print("to_numeric(df['C'], errors='ignore'):\n", pd.to_numeric(se2, errors='ignore')) print("to_numeric(df['C'], errors='coerce'):\n", pd.to_numeric(se2, errors='coerce'))
输出结果：
df['A']:
01
12
24
Name: A, dtype:object
to_numeric(df['A']):
01
12
24
Name: A, dtype: int64
df['B']:
09
1-80
2 5.3
Name: B, dtype:object
to_numeric(df['B']):
09.0
1-80.0
2 5.3
Name: B, dtype: float64
df['C']:
0 x
1 5.9
20
Name: C, dtype:object
to_numeric(df['C'], errors='ignore'):
0 x
1 5.9
20
Name: C, dtype:object
to_numeric(df['C'], errors='coerce'):
0 NaN
1 5.9
20.0
Name: C, dtype: float64
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论