在pandas中更改列类型

Question

我想将一个表（表示为列表的列表）转换为Pandas DataFrame。作为一个极其简化的例子：

a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']]
df = pd.DataFrame(a)

将列转换为适当类型的最佳方法是什么，在本例中，列2和列3转换为浮点？在转换为DataFrame时是否有方法指定类型？还是先创建DataFrame，然后循环遍历列以更改每列的类型更好？理想情况下，我希望以动态的方式执行此操作，因为可以有数百个列，而我不想确切地指定哪些列属于哪种类型。我所能保证的是每列都包含相同类型的值。

Answer 1

在Pandas中转换类型有四个主要选项：

>

to_numeric()-提供将非数值类型（如字符串）安全转换为合适的数值类型的功能。（另请参阅to_datetime()和to_timedelta())

astype()-将（几乎）任何类型转换为（几乎）任何其他类型（即使这样做不一定明智）。还允许您转换为分类类型（非常有用）。

convert_dtypes()-将数据帧列转换为支持pd.na的“最好的”dtype（Pandas的对象表示缺少值）。

继续阅读更详细的解释和使用这些方法。

将数据帧的一列或多列转换为数值的最佳方法是使用pandas.to_numeric()。

该函数将尝试将非数字对象（如字符串）根据需要更改为整数或浮点数。

to_numeric()的输入是数据帧的一系列或一列。

>>> s = pd.Series(["8", 6, "7.5", 3, "0.9"]) # mixed string and numeric values
>>> s
0      8
1      6
2    7.5
3      3
4    0.9
dtype: object

>>> pd.to_numeric(s) # convert everything to float values
0    8.0
1    6.0
2    7.5
3    3.0
4    0.9
dtype: float64

如您所见，将返回一个新的序列。请记住将此输出赋给变量或列名以继续使用：

# convert Series
my_series = pd.to_numeric(my_series)

# convert column "a" of a DataFrame
df["a"] = pd.to_numeric(df["a"])

# convert all columns of DataFrame
df = df.apply(pd.to_numeric) # convert all columns of DataFrame

# convert just columns "a" and "b"
df[["a", "b"]] = df[["a", "b"]].apply(pd.to_numeric)

只要你的价值观都可以转换，那可能就是你所需要的了。

但如果某些值不能转换为数值类型怎么办？

to_numeric()还采用errors关键字参数，该参数允许您强制非数字值为nan，或者直接忽略包含这些值的列。

下面是一个使用一系列字符串s的示例，该字符串具有对象dType：

>>> s = pd.Series(['1', '2', '4.7', 'pandas', '10'])
>>> s
0         1
1         2
2       4.7
3    pandas
4        10
dtype: object

默认的行为是，如果它不能转换一个值，则引发。在这种情况下，它对付不了串串‘熊猫':

>>> pd.to_numeric(s) # or pd.to_numeric(s, errors='raise')
ValueError: Unable to parse string

而不是失败，我们可能希望‘熊猫’被认为是一个缺失/错误的数值。我们可以使用errors关键字参数将无效值强制到nan中，如下所示：

>>> pd.to_numeric(s, errors='coerce')
0     1.0
1     2.0
2     4.7
3     NaN
4    10.0
dtype: float64

errors的第三个选项是在遇到无效值时忽略该操作：

>>> pd.to_numeric(s, errors='ignore')
# the original Series is returned untouched

当您想要转换整个DataFrame，但又不知道哪些列可以可靠地转换为数值类型时，最后一个选项特别有用。在这种情况下只需写：

df.apply(pd.to_numeric, errors='ignore')

该函数将应用于DataFrame的每一列。可以转换为数字类型的列将被转换，而不能转换的列（例如，它们包含非数字字符串或日期）将被保留。

>>> s = pd.Series([1, 2, -7])
>>> s
0    1
1    2
2   -7
dtype: int64

向下转换为“integer”将使用能够保存值的尽可能小的整数：

>>> pd.to_numeric(s, downcast='integer')
0    1
1    2
2   -7
dtype: int8

向下转换为“float”类似地选择一个比普通浮动类型小的类型：

>>> pd.to_numeric(s, downcast='float')
0    1.0
1    2.0
2   -7.0
dtype: float32

aStype()方法使您能够显式地了解希望数据帧或系列具有的dtype。它是非常多用途的，因为你可以尝试从一种类型到任何其他类型。

# convert all DataFrame columns to the int64 dtype
df = df.astype(int)

# convert column "a" to int64 dtype and "b" to complex type
df = df.astype({"a": int, "b": complex})

# convert Series to float16 type
s = s.astype(np.float16)

# convert Series to Python strings
s = s.astype(str)

# convert Series to categorical type - see docs for more details
s = s.astype('category')

从pandas 0.20.0开始，可以通过传递errors='ignore'来抑制此错误。您的原始对象将原封不动地返回。

astype()功能强大，但有时会“错误”地转换值。例如：

>>> s = pd.Series([1, 2, -7])
>>> s
0    1
1    2
2   -7
dtype: int64

这些都是小整数，那么转换成无符号的8位类型以节省内存如何？

>>> s.astype(np.uint8)
0      1
1      2
2    249
dtype: uint8

转换起作用了，但是-7被绕成了249（即2⁸-7)！

尝试使用pd.to_numeric(s,downcast='unsigned')进行下播可以帮助防止此错误。

pandas的0.21.0版引入了infer_objects()方法，用于将具有对象数据类型的DataFrame列转换为更具体的类型（软转换）。

>>> df = pd.DataFrame({'a': [7, 1, 5], 'b': ['3','2','1']}, dtype='object')
>>> df.dtypes
a    object
b    object
dtype: object

使用infer_objects()，可以将列“a”的类型更改为Int64:

>>> df = df.infer_objects()
>>> df.dtypes
a     int64
b    object
dtype: object

列“b”不存在，因为它的值是字符串，而不是整数。如果您希望尝试强制将两列转换为整数类型，则可以使用df.astype(int)。

1.0及以上版本包含一个convert_dtypes()方法，用于将系列和数据帧列转换为支持pd.na缺失值的最佳dtype。

这里的“最佳可能”是指最适合保存值的类型。例如，如果所有值都是整数（或缺少值），则这是pandas整数类型：Python整数对象的一个对象列被转换为int64，一列NumPyint32值将变成pandas的dtypeint32。

使用我们的对象数据帧DF，我们得到以下结果：

>>> df.convert_dtypes().dtypes                                             
a     Int64
b    string
dtype: object

由于列“A”保存整数值，因此它被转换为int64类型（与int64不同，它能够保存缺少的值）。

列“b”包含字符串对象，因此被更改为pandas的“stringdtype”。

默认情况下，此方法将根据每列中的对象值推断类型。我们可以通过传递infer_objects=false:

>>> df.convert_dtypes(infer_objects=False).dtypes                          
a    object
b    string
dtype: object

现在列'a'仍然是一个对象列：pandas知道它可以被描述为'integer'列（它在内部运行了infer_dtype)，但并没有准确推断出它应该有什么整数的dtype，所以没有转换它。列“B”再次被转换为“String”dtype，因为它被识别为包含“String”值。