python - 更改 Pandas 中的列类型

Question

我想将表示为列表列表的表格转换为 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，在这种情况下，将第 2 列和第 3 列转换为浮点数？有没有办法在转换为 DataFrame 时指定类型？还是先创建 DataFrame 然后遍历列以更改每列的类型更好？理想情况下，我想以动态方式执行此操作，因为可能有数百列，而且我不想确切指定哪些列属于哪种类型。我所能保证的是每一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() - 提供将非数字类型(例如字符串)安全地转换为合适的数字类型的功能。 (另见 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 categorial类型(非常有用)。

infer_objects() - 如果可能，将包含 Python 对象的对象列转换为 Pandas 类型的实用方法。

convert_dtypes() - 将 DataFrame 列转换为支持 pd.NA 的“最佳”数据类型( Pandas 的对象表示缺失值)。

请继续阅读以了解每种方法的更详细说明和用法。

1. to_numeric()将 DataFrame 的一列或多列转换为数值的最佳方法是使用 pandas.to_numeric() .
此函数将尝试将非数字对象(例如字符串)适本地更改为整数或浮点数。
基本用法 to_numeric() 的输入是 DataFrame 的系列或单列。

>>> 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，返回了一个新系列。请记住将此输出分配给变量或列名称以继续使用它:

# convert Series
my_series = pd.to_numeric(my_series)

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

您还可以使用它通过 apply() 转换 DataFrame 的多列。方法:

# 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)

只要您的值都可以转换，这可能就是您所需要的。
错误处理
但是如果某些值无法转换为数字类型怎么办？ to_numeric()还需要一个 errors允许您将非数字值强制为 NaN 的关键字参数，或者干脆忽略包含这些值的列。
这是使用一系列字符串 s 的示例它具有对象数据类型:

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

如果无法转换值，则默认行为是引发。在这种情况下，它无法处理字符串 'pandas':

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

与其失败，我们可能希望将 'pandas' 视为缺失/错误的数值。我们可以将无效值强制为 NaN如下使用 errors关键字参数:

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

errors的第三个选项如果遇到无效值，则只是忽略该操作:

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

当您想要转换整个 DataFrame，但不知道我们的哪些列可以可靠地转换为数字类型时，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。
垂头丧气
默认情况下，使用 to_numeric() 进行转换会给你一个 int64或 float64 dtype(或您的平台固有的任何整数宽度)。
这通常是你想要的，但是如果你想节省一些内存并使用更紧凑的 dtype，比如 float32 , 或 int8 ? to_numeric()为您提供向下转换为“整数”、“有符号”、“无符号”、“浮点”的选项。这是一个简单系列的示例 s整数类型:

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

向下转换为“整数”使用可以保存值的最小可能整数:

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

向下转换为 'float' 类似地选择一个比正常 float 类型更小的 float 类型:

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

2. astype() astype() 方法使您能够明确您希望 DataFrame 或 Series 具有的 dtype。它的用途非常广泛，您可以尝试从一种类型转换为另一种类型。
基本用法
只需选择一种类型:您可以使用 NumPy dtype(例如 np.int16)、一些 Python 类型(例如 bool)或 Pandas 特定类型(例如分类 dtype)。
在要转换的对象上调用该方法和 astype()将尝试为您转换它:

# 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')

注意我说的是“尝试”-如果 astype()不知道如何转换 Series 或 DataFrame 中的值，它会引发错误。例如，如果您有一个 NaN或 inf value 尝试将其转换为整数时会出错。
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。
当心 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

这些是小整数，那么如何转换为无符号 8 位类型以节省内存？

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

转换成功了，但 -7 被环绕成 249(即 28 - 7)!
尝试使用 pd.to_numeric(s, downcast='unsigned') 向下转型相反，可以帮助防止此错误。

3. infer_objects()pandas 0.21.0 版本引入了方法 infer_objects() 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)。
例如，这是一个具有两列对象类型的 DataFrame。一个保存实际整数，另一个保存表示整数的字符串:

>>> 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() ，您可以将列 'a' 的类型更改为 int64:

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

列 'b' 已被保留，因为它的值是字符串，而不是整数。如果您想尝试强制将两列都转换为整数类型，您可以使用 df.astype(int)反而。

4. convert_dtypes()1.0 及以上版本包含一个方法 convert_dtypes() 将 Series 和 DataFrame 列转换为支持 pd.NA 的最佳数据类型缺失值。
这里“最好的”是指最适合保存值的类型。例如，如果所有值都是整数(或缺失值)，则这是一个 pandas 整数类型:Python 整数对象的对象列转换为 Int64 , NumPy 的一列 int32 values 将成为 pandas dtype Int32 .
与我们的 object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' 包含整数值，所以它被转换为 Int64类型(与 int64 不同，它能够保存缺失值)。
列 'b' 包含字符串对象，因此更改为 pandas' string数据类型。
默认情况下，此方法将从每列中的对象值推断类型。我们可以通过传递 infer_objects=False 来改变它:

>>> 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一个 'integer' 列(在内部它运行 infer_dtype )但没有准确推断它应该具有的整数类型，因此没有转换它。列 'b' 再次转换为 'string' dtype，因为它被识别为保存 'string' 值。