Pandas数据框架中的转换函数

Python是一种进行数据分析的伟大语言，主要是因为以数据为中心的Python包的奇妙生态系统。Pandas就是这些包中的一个，它使数据的导入和分析变得更加容易。

将一个pandas对象转换为一个指定的dtype

DataFrame.astype()函数用于将pandas对象转换为指定的dtype。 astype()函数也提供了将任何合适的现有列转换为分类类型的能力。

代码#1：转换Weight列的数据类型。

# importing pandas as pd
import pandas as pd
  
# Making data frame from the csv file
df = pd.read_csv("nba.csv")
  
# Printing the first 10 rows of 
# the data frame for visualization
  
df[:10]

由于数据中有一些 “纳米 “值，为了避免任何错误，我们将放弃所有含有纳米值的行。

# drop all those rows which 
# have any 'nan' value in it.
df.dropna(inplace = True)

# let's find out the data type of Weight column
before = type(df.Weight[0])
  
# Now we will convert it into 'int64' type.
df.Weight = df.We<strong>ight.astype('int64')
  
# let's find out the data type after casting
after = type(df.Weight[0])
  
# print the value of before
before
  
# print the value of after
after

输出:

# print the data frame and see
# what it looks like after the change
df

为输入对象列推断更好的数据类型

DataFrame.infer_objects()函数试图为输入对象列推断更好的数据类型。该函数尝试对对象类型的列进行软转换，而不对非对象和不可转换的列进行改变。推断规则与正常的系列/数据框架构建期间相同。

代码#1：使用infer_objects()函数来推断更好的数据类型。

# importing pandas as pd
import pandas as pd
  
# Creating the dataframe 
df = pd.DataFrame({"A":["sofia", 5, 8, 11, 100],
                   "B":[2, 8, 77, 4, 11],
                   "C":["amy", 11, 4, 6, 9]})
  
# Print the dataframe
print(df)

输出 :

让我们看看数据框架中每一列的dtype（数据类型）。

# to print the basic info
df.info()

正如我们在输出中看到的，第一列和第三列是对象类型的，而第二列是int64类型的。现在将数据框架切片，并从中创建一个新的数据框架。

# slice from the 1st row till end
df_new = df[1:]
  
# Let's print the new data frame
df_new
  
# Now let's print the data type of the columns
df_new.info()

输出 :

正如我们在输出中看到的，列 “A “和 “C “是对象类型的，尽管它们包含整数值。所以，让我们试试infer_objects()函数。

# applying infer_objects() function.
df_new = df_new.infer_objects()
  
# Print the dtype after applying the function
df_new.info()

输出 :

现在，如果我们看一下每一列的dtype，我们可以看到 “A “和 “C “列现在是int64类型。

检测缺失值

DataFrame.isna()函数用于检测缺失值。它返回一个布尔同尺寸的对象，表明这些值是否是NA。NA值，如None或numpy.NaN，会被映射为True值。其他的都会被映射为假值。空字符串 “或numpy.inf等字符不被视为NA值（除非你设置pandas.options.mode.use_inf_as_na = True）。

代码#1：使用isna()函数来检测数据帧中的缺失值。

# importing pandas as pd
import pandas as pd
  
# Creating the dataframe 
df = pd.read_csv("nba.csv")
  
# Print the dataframe
df

让我们使用isna()函数来检测缺失的值。

# detect the missing values
df.isna()

输出 :

在输出中，对应于缺失值的单元格包含真值，否则为假值。

检测现有的/非遗漏的价值

DataFrame.notna()函数检测数据框架中现有的/非缺失的值。该函数返回一个布尔对象，其大小与应用该函数的对象相同，表明每个单独的值是否是na值。所有的非缺失值都被映射为真，缺失值被映射为假。

代码#1：使用notna()函数来查找数据框中所有的非缺失值。

# importing pandas as pd
import pandas as pd
  
# Creating the first dataframe 
df = pd.DataFrame({"A":[14, 4, 5, 4, 1],
                   "B":[5, 2, 54, 3, 2], 
                   "C":[20, 20, 7, 3, 8],
                   "D":[14, 3, 6, 2, 6]})
  
# Print the dataframe
print(df)

让我们使用dataframe.notna()函数来找到数据框中所有的非遗漏值。

# find non-na values
df.notna()

输出 :

正如我们在输出中看到的，数据框架中所有的非缺失值都被映射为真。由于数据框架中没有缺失值，所以没有假值。

DataFrame中的转换方法