python - 更改 Pandas 的列类型

Question

我想将表示为列表列表的表转换为Pandas DataFrame。作为一个极其简化的示例:

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，将列2和3转换为浮点数)？有没有一种方法可以在转换为DataFrame时指定类型？还是先创建DataFrame然后遍历各列以更改各列的类型更好？理想情况下，我想以动态方式执行此操作，因为可以有数百个列，并且我不想确切指定哪些列属于哪种类型。我可以保证的是，每一列都包含相同类型的值。

Answer 1

您可以通过四个主要选项来转换 Pandas 的类型:

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。 (另请参见 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() -一种实用的方法，可以将保存Python对象的对象列转换为pandas类型。

convert_dtypes() -将DataFrame列转换为支持pd.NA( Pandas 对象表示缺失值)的“最佳可能” dtype。

继续阅读以获取每种方法的更详细的解释和用法。

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)适当地更改为整数或浮点数。
基本用法 to_numeric()的输入是Series或DataFrame的单个列。

>>> 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Series。请记住，将此输出分配给变量或列名以继续使用它:

# 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()方法来转换DataFrame的多个列:

# 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，那可能就是您所需要的。
错误处理
但是，如果某些值不能转换为数字类型怎么办？ to_numeric()还采用 errors关键字参数，该参数允许您将非数字值强制为 NaN，或仅忽略包含这些值的列。
这是一个使用一系列具有对象dtype的字符串 s的示例:

>>> 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，它不能处理字符串“pandas”:

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

我们可能希望将“pandas”视为丢失/错误的数值，而不是失败。我们可以使用 NaN关键字参数将无效值强制为 errors:

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

errors的第三个选项只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

当您要转换整个DataFrame，但又不知道我们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(例如，它们包含非数字字符串或日期)的列将被保留。
下垂
默认情况下，使用 to_numeric()进行转换将为您提供 int64或 float64 dtype(或平台固有的任何整数宽度)。
通常这就是您想要的，但是如果您想节省一些内存并使用更紧凑的dtype(例如 float32或 int8)怎么办？ to_numeric()使您可以选择向下转换为'integer'，'signed'，'unsigned'，'float'。这是一个简单的整数类型 s系列的示例:

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

向下转换为“整数”将使用可以保存值的最小整数:

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

向下转换为“float”类似地选择了一个比普通浮点型小的类型:

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

2. astype() astype() 方法使您可以明确表示希望DataFrame或Series具有的dtype。它非常通用，可以尝试从一种类型转换为另一种类型。
基本用法
只需选择一个类型即可:您可以使用NumPy dtype(例如 np.int16)，某些Python类型(例如bool)或特定于 Pandas 的类型(例如类别dtype)。
在要转换的对象上调用方法， 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，它将引发错误。例如，如果您具有 NaN或 inf值，则在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。您的原始对象将保持原样返回。
小心 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

这些都是小整数，那么如何转换为无符号8位类型以节省内存呢？

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

转换成功了，但-7被换成了249(即28-7)!
尝试使用 pd.to_numeric(s, downcast='unsigned')向下转换可以帮助防止该错误。

3. infer_objects()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列转换为更特定的类型(软转换)。
例如，这是一个带有两列对象类型的DataFrame。一个保存实际的整数，另一个保存代表整数的字符串:

>>> 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

由于列“b”的值是字符串而不是整数，因此已被保留。如果要尝试强制将两列都转换为整数类型，则可以改用 df.astype(int)。

4. convert_dtypes()1.0版及更高版本包括 convert_dtypes() 方法，用于将Series和DataFrame列转换为支持 pd.NA缺少值的最佳dtype。
此处“最大可能”是指最适合保存值的类型。例如，如果所有值都是整数(或缺失值)，则为pandas整数类型:Python整数对象的对象列将转换为 Int64，NumPy int32值的列将成为pandas dtype Int32。
使用 object DataFrame df，我们得到以下结果:

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

由于列'a'保留整数值，因此将其转换为 Int64类型(与 int64不同，它能够保留缺失值)。
列“b”包含字符串对象，因此已更改为 Pandas 的 string dtype。
默认情况下，此方法将从每列的对象值中推断类型。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'仍然是对象列: Pandas 知道它可以描述为'整数'列(内部它运行 infer_dtype )，但是没有确切推断它应该具有的dtype的整数，因此没有转换它。列“b”再次被转换为“字符串” dtype，因为它被识别为持有“字符串”值。