如何在Pandas DataFrame中把字符串转换成浮点数

在这篇文章中，我们将看看在pandas数据框架中把字符串转换成浮点数的不同方法。现在，让我们创建一个以 “年份 “和 “通货膨胀率 “为列的数据框架。

# importing pandas library
import pandas as pd
  
# dictionary
Data = {'Year': ['2016', '2017', 
                 '2018', '2019'],
        'Inflation Rate': ['4.47', '5', 
                           '5.98', '4.1']}
# create a dataframe
df = pd.DataFrame(Data)
  
# show the dataframe
print (df)
  
# show the datatypes
print(df.dtypes)

输出:

如何在Pandas DataFrame中把字符串转换成浮点数？

方法1：使用 DataFrame.astype()

该方法用于将一个pandas对象转换为一个指定的dtype。

语法: DataFrame.astype(self: ~ FrameOrSeries, dtype, copy: bool = True, errors: str = ‘raise’)

返回： casted：调用者的类型

例子：在这个例子中，我们将把 “通货膨胀率 “列的每个值转换成浮点数。

# importing pandas library
import pandas as pd
  
# dictionary
Data = {'Year': ['2016', '2017', 
                 '2018', '2019'],
        'Inflation Rate': ['4.47', '5', 
                           '5.98', '4.1']}
# create a dataframe
df = pd.DataFrame(Data)
  
# converting each value 
# of column to a string
df['Inflation Rate'] = df['Inflation Rate'].astype(float)
  
# show the dataframe
print(df)
  
# show the datatypes
print (df.dtypes)

输出:

如何在Pandas DataFrame中把字符串转换成浮点数？

方法二：使用 pandas.to_numeric() **函数。

该函数用于将参数转换为数字类型。

语法: pandas.to_numeric(arg, errors=’raise’, downcast=None)

例子1：在这个例子中，我们将把 “通货膨胀率 “列的每个值转换成浮点数。

代码:

# importing pandas library
import pandas as pd
  
# creating a dictionary
Data = {'Year': ['2016', '2017', 
                 '2018', '2019'],
          'Inflation Rate': ['4.47', '5', 
                             '5.98', '4.1']}
# create a dataframe
df = pd.DataFrame(Data)
  
# converting each value of column to a string
df['Inflation Rate'] = pd.to_numeric(df['Inflation Rate'])
  
# show the dataframe
print(df)
  
# show the data types
print (df.dtypes)

输出:

如何在Pandas DataFrame中把字符串转换成浮点数？

例子2：有时，我们可能没有把浮动值表示成字符串。所以，pd.to_numeric()函数会显示一个错误。为了消除这个错误，我们可以使用errors=’coerce’ ，将这个位置的值转换为NaN。

代码 :

# importing pandas as pd
import pandas as pd
  
# dictionary
Data = {'Year': ['2016', '2017',
                 '2018', '2019'],
         'Inflation Rate': ['4.47', '5', 
                           'No data', '4.1']}
  
# create a dataframe
df = pd.DataFrame(Data)
  
# converting each value of column to a string
df['Inflation Rate'] = pd.to_numeric(df['Inflation Rate'],
                                     errors = 'coerce')
  
# show the dataframe
print(df)
  
# show the data types
print (df.dtypes)