pandas astype 详细介绍|极客教程

pandas astype 详细介绍

在数据处理和分析中，经常需要对数据的类型进行转换，以满足数据处理的需求或提高数据处理的效率。Pandas 提供了一个非常有用的方法 .astype()，它可以用来转换数据帧（DataFrame）或者序列（Series）中数据的数据类型。本文将详细介绍如何使用 pandas 的 .astype() 方法，并通过多个示例展示其应用。

1. `.astype()` 方法概述

.astype() 方法主要用于数据类型转换，它可以将数据帧或序列中的数据类型转换为指定的数据类型。这个方法非常方便，尤其是在数据清洗和预处理阶段，经常需要将文本数据转换为数值数据，或者将整数类型转换为浮点类型等。

基本语法

DataFrame.astype(dtype, copy=True, errors='raise')

dtype：可以是 Python 类型、NumPy 类型或者字典。字典可以指定不同列的目标数据类型。
copy：是否创建原数据的副本。
errors：错误处理策略，包括 ‘raise’、’ignore’ 等。

2. 示例代码

示例 1：基本的类型转换

将整数列转换为浮点数。

import pandas as pd

data = {'col1': [1, 2, 3, 4]}
df = pd.DataFrame(data)
df['col1'] = df['col1'].astype(float)
print(df)

Output:

pandas astype 详细介绍

示例 2：将多列转换为不同类型

使用字典指定不同列的目标数据类型。

import pandas as pd

data = {'col1': [1, 2, 3, 4], 'col2': ['5', '6', '7', '8']}
df = pd.DataFrame(data)
df = df.astype({'col1': 'float64', 'col2': 'int32'})
print(df)

Output:

pandas astype 详细介绍

示例 3：转换失败时忽略错误

尝试将包含非数字的列转换为整数，忽略错误。

import pandas as pd

data = {'col1': ['1', '2', 'three', '4']}
df = pd.DataFrame(data)
df['col1'] = df['col1'].astype('int32', errors='ignore')
print(df)

Output:

pandas astype 详细介绍

示例 4：转换字符串到日期

将字符串转换为日期类型。

import pandas as pd

data = {'date': ['2021-01-01', '2021-02-01']}
df = pd.DataFrame(data)
df['date'] = pd.to_datetime(df['date'])
print(df)

Output:

pandas astype 详细介绍

示例 5：使用自定义函数进行转换

在转换过程中使用自定义函数处理数据。

import pandas as pd
import numpy as np

data = {'col1': ['1.1', '2.2', '3.3']}
df = pd.DataFrame(data)
df['col1'] = df['col1'].astype(float).apply(lambda x: np.round(x))
print(df)

Output:

pandas astype 详细介绍

示例 6：转换并创建副本

转换数据类型时创建数据的副本。

import pandas as pd

data = {'col1': [1, 2, 3, 4]}
df = pd.DataFrame(data)
new_df = df['col1'].astype('float64', copy=True)
print(new_df)

Output:

pandas astype 详细介绍

示例 7：转换整个 DataFrame 的数据类型

将整个 DataFrame 中的所有数据列转换为同一类型。

import pandas as pd

data = {'col1': [1, 2, 3, 4], 'col2': [5, 6, 7, 8]}
df = pd.DataFrame(data)
df = df.astype('float64')
print(df)

Output:

pandas astype 详细介绍

示例 8：转换时指定精度

在转换为浮点数时指定精度。

import pandas as pd

data = {'col1': [1, 2, 3, 4]}
df = pd.DataFrame(data)
df['col1'] = df['col1'].astype('float64').round(2)
print(df)

Output:

pandas astype 详细介绍

示例 9：转换为分类数据类型

将数据列转换为 Pandas 的分类数据类型，以节省内存。

import pandas as pd

data = {'col1': ['apple', 'banana', 'cherry']}
df = pd.DataFrame(data)
df['col1'] = df['col1'].astype('category')
print(df)

Output:

pandas astype 详细介绍

示例 10：转换为布尔类型

将数据列转换为布尔类型。

import pandas as pd

data = {'col1': [True, False, True]}
df = pd.DataFrame(data)
df['col1'] = df['col1'].astype('bool')
print(df)

Output:

pandas astype 详细介绍

3. 结论

在本文中，我们详细介绍了 Pandas 的 .astype() 方法，并通过多个示例展示了如何在实际场景中使用这个方法来转换数据类型。通过这些示例，我们可以看到 .astype() 方法在数据处理中的灵活性和实用性。

pandas astype 详细介绍