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
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 dtypefloat
最小的float dtypeunsigned
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
cat = CategoricalDtype(categories=['B','D','A','C'],ordered=True)
series_cat1 = series_cat.astype(cat)
print(series_cat.sort_values())
print(series_cat1.sort_values())
数据类型小结
知识点内容Numpy的特点1. Numpy是一个高效科学计算库,Pandas的数据计算功能是对Numpy的封装
-
ndarray是Numpy的基本数据结构,Pandas的Series和DataFrame好多函数和属性都与ndarray一样
-
Numpy的计算效率比原生Python效率高很多,并且支持并行计算Pandas数据类型转换1. Pandas除了数值型的int 和 float类型外,还有object ,category,bool,datetime类型
-
可以通过as_type 和 to_numeric 函数进行数据类型转换Pandas 分类数据类型1. category类型,可以用来进行排序,并且可以自定义排序顺序
-
CategoricalDtype可以用来定义顺序
Original: https://blog.csdn.net/bjsyc123456/article/details/124437311
Author: B.Bz
Title: python数据处理—-Pandas类型转换
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/677099/
转载文章受原作者版权保护。转载请注明原作者出处!