更改熊猫中的列类型

Question

我从列表列表中创建了一个 DataFrame：

 table = [
    ['a',  '1.2',  '4.2' ],
    ['b',  '70',   '0.03'],
    ['x',  '5',    '0'   ],
]

df = pd.DataFrame(table)

如何将列转换为特定类型？在这种情况下，我想将第 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，并且我不想准确指定哪些列属于哪种类型。我只能保证每一列都包含相同类型的值。

原文由 user1642513 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

在 pandas 中转换类型有四个主要选项：

1. to_numeric() - 提供安全地将非数字类型（例如字符串）转换为合适的数字类型的功能。 （另见 to_datetime() 和 to_timedelta() 。）

2. 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）。

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

4. convert_dtypes() - 将 DataFrame 列转换为支持 pd.NA 的“最佳” dtype（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（如字符串）更改为适当的整数或浮点数。

基本用法

to_numeric() 的输入是数据帧的系列或单列。

 >>> 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"])

您还可以通过 apply() 方法使用它来转换 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，这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() 也采用 errors 关键字参数，允许您强制非数字值是 NaN ，或者只是忽略包含这些值的列。

这是一个使用一系列字符串 s 的示例，它具有对象 dtype：

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

如果无法转换值，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

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

 >>> 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

最后一个选项对于转换整个 DataFrame 特别有用，但不知道我们的哪些列可以可靠地转换为数字类型。在这种情况下，只需编写：

 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（例如，它们包含非数字字符串或日期）的列将被单独保留。

垂头丧气

默认情况下，使用 to_numeric() 进行转换将为您提供 int64 或 float64 （或您的平台原生的任何整数宽度）。

这通常是您想要的，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() gives you the option to downcast to either 'integer' , 'signed' , 'unsigned' , 'float' .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 'integer' 使用可以容纳这些值的最小可能整数：

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

向下转换为 'float' 同样选择比正常浮动类型更小的：

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

---

2 astype()

astype() 方法使您能够明确说明您希望 DataFrame 或 Series 具有的 dtype。它非常通用，您可以尝试从一种类型转换为任何其他类型。

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 特定的类型（例如 categorical dtype）。

调用您要转换的对象的方法， 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')

请注意，我说的是“尝试”——如果 astype() 不知道如何转换 Series 或 DataFrame 中的值，则会引发错误。例如，如果您有一个 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

这些都是小整数，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，但是 -7 被环绕成 249（即 2 8 - 7）！

尝试使用 pd.to_numeric(s, downcast='unsigned') 进行向下转换可能有助于防止此错误。

---

3 infer_objects()

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

例如，这是一个包含两列对象类型的 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’ 被单独留下，因为它的值是字符串，而不是整数。如果你想强制两列都为整数类型，你可以使用 df.astype(int) 代替。

---

4 convert_dtypes()

1.0 及更高版本包括一种方法 convert_dtypes() 将 Series 和 DataFrame 列转换为支持 pd.NA 缺失值的最佳数据类型。

这里“最好的”是指最适合保存这些值的类型。例如，这是一个 pandas 整数类型，如果所有值都是整数（或缺失值）：Python 整数对象的对象列转换为 Int64 ，NumPy 的列 int32 值，将成为 pandas Int32 。

使用我们的 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’ 保存整数值，它被转换为 Int64 类型（它能够保存缺失值，与 int64 不同）。

列“b”包含字符串对象，因此更改为 pandas string 。

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 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 ）但没有准确地推断出它应该有什么 dtype 的整数所以没有转换它。列 ‘b’ 再次转换为 ‘string’ dtype，因为它被识别为保存 ‘string’ 值。

原文由 Alex Riley 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

用这个：

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

Out[16]:
  one  two three
0   a  1.2   4.2
1   b   70  0.03
2   x    5     0

df.dtypes

Out[17]:
one      object
two      object
three    object

df[['two', 'three']] = df[['two', 'three']].astype(float)

df.dtypes

Out[19]:
one       object
two      float64
three    float64

原文由 hernamesbarbara 发布，翻译遵循 CC BY-SA 4.0 许可协议