pandas int 转float|极客教程

pandas int 转float

在数据分析和处理过程中，经常会遇到需要将整数数据类型转换为浮点数数据类型的情况。在Python中，我们通常使用pandas库来处理数据，本文将介绍如何使用pandas将int类型转换为float类型。

使用astype()方法转换

在pandas中，我们可以使用astype()方法将整数转换为浮点数。下面是一个示例代码：

import pandas as pd

data = {'A': [1, 2, 3, 4],
        'B': [5, 6, 7, 8],
        'C': ['geek-docs.com', 'geek-docs.com', 'geek-docs.com', 'geek-docs.com']}
df = pd.DataFrame(data)

df['A'] = df['A'].astype(float)

print(df.dtypes)

运行结果为：

A    float64
B      int64
C     object
dtype: object

可以看到，通过astype()方法，我们成功将’A’列的数据类型从int转换为了float。

使用to_numeric()方法转换

除了astype()方法外，pandas还提供了to_numeric()方法来转换数据类型。下面是一个示例代码：

import pandas as pd

data = {'A': ['1', '2', '3', '4'],
        'B': [5, 6, 7, 8],
        'C': ['geek-docs.com', 'geek-docs.com', 'geek-docs.com', 'geek-docs.com']}
df = pd.DataFrame(data)

df['A'] = pd.to_numeric(df['A'], downcast='float')

print(df.dtypes)

运行结果为：

A    float32
B      int64
C     object
dtype: object

可以看到，通过to_numeric()方法，我们成功将’A’列的数据类型从对象转换为了float32类型。

使用astype()方法和to_numeric()方法的区别

虽然astype()方法和to_numeric()方法都可以进行类型转换，但是它们之间还是存在一些细微的区别。

在astype()方法中，如果转换失败，则会抛出异常，而在to_numeric()方法中，我们可以通过errors参数来控制异常的处理方式。例如，如果将一个非数字字符串转换为浮点数，可以使用errors=’coerce’参数来将无法转换的值设为NaN。

下面是一个使用errors=’coerce’参数的示例代码：

import pandas as pd

data = {'A': ['1', '2', '3', 'abc'],
        'B': [5, 6, 7, 8],
        'C': ['geek-docs.com', 'geek-docs.com', 'geek-docs.com', 'geek-docs.com']}
df = pd.DataFrame(data)

df['A'] = pd.to_numeric(df['A'], errors='coerce', downcast='float')

print(df)

运行结果为：

     A  B              C
0  1.0  5  geek-docs.com
1  2.0  6  geek-docs.com
2  3.0  7  geek-docs.com
3  NaN  8  geek-docs.com

可以看到，由于’abc’无法转换为浮点数，所以在’A’列的第四行中出现了NaN值。

总结一下，本文介绍了如何使用pandas将整数转换为浮点数，主要通过astype()方法和to_numeric()方法实现。在实际应用中，可以根据具体情况选择合适的方法进行数据类型转换。

pandas int 转float