python数据处理之Pandas类型转换怎么实现

这篇文章主要介绍"python数据处理之Pandas类型转换怎么实现"的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇"python数据处理之Pandas类型转换怎么实现"文章能帮助大家解决问题。

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

#创造包含'missing'为缺失值的数据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 dtype

• float 最小的float dtype

• unsigned 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# 创建一个分类  ordered  指定顺序cat = CategoricalDtype(categories=['B','D','A','C'],ordered=True)# 指定series_cat1转换类型为创建的分类类型series_cat1 = series_cat.astype(cat)print(series_cat.sort_values())print(series_cat1.sort_values())

数据类型小结

关于"python数据处理之Pandas类型转换怎么实现"的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注行业资讯频道，小编每天都会为大家更新不同的知识点。