Pandas 类型转换astype()的实现

Python中和Pandas中数据类型对应关系如下：

• 果数据是纯净的数据，可以转化为数字

• astype基本也就是两种用作，数字转化为单纯字符串，单纯数字的字符串转化为数字，含有其他的非数字的字符串是不能通过astype进行转化的。

• 需要引入其他的方法进行转化，也就有了下面的自定义函数方法

astype()是最常见也是最通用的数据类型转换方法

import pandas as pd

df = pd.DataFrame([['liver','E',89,21,24,64],
                  ['Arry','C',36,37,37,57],
                  ['Ack','A',57,60,18,84],
                  ['Eorge','C',93,96,71,78],
                  ['Oah','D',65,49,61,86]
                 ],
                  columns = ['name','team','Q1','Q2','Q3','Q4'])

res = df.dtypes

df.Q1.astype('int32').dtypes # dtype('int32')
df.astype({'Q1':'int32','Q2':'int32'}).dtypes

结果展示

df

res

 扩展

# 以下是一些使用示例:
df.index.astype('int64') # 索引类型转换
df.astype('int32') # 所有数据转换为int32
df.astype({'col1':'int32'}) # 指定字段转指定类型
s.astype('int64')
s.astype('int64',copy = False) # 不与原数据关联
df['name'].astype('object')
data['Q4'].astype('float')
s.astype('datatime64[ns]') # 转为时间类型
data['状态'].astype('bool')

数据类型

df.dtypes会返回每个字段的数据类型及DataFrame整体的类型

如果是Series，需要用s.dtype

import pandas as pd

df = pd.DataFrame([['liver','E',89,21,24,64],
                  ['Arry','C',36,37,37,57],
                  ['Ack','A',57,60,18,84],
                  ['Eorge','C',93,96,71,78],
                  ['Oah','D',65,49,61,86]
                 ],
                  columns = ['name','team','Q1','Q2','Q3','Q4'])
df.dtypes

s = pd.Series(['One','Two','Three'])
s.dtype

结果展示

df

s

当数据的格式不具备转换为目标类型的条件时，需要先对数据进行处理

例如“89.3％”是一个字符串，要转换为数字，要先去掉百分号:

# 将"89.3％"这样的文本转为浮点数
data.rate.apply(lambda x:x.replace('％','')).astype('float')/100

加载数据时可以指定数据各列的类型:

import pandas as pd

# 对所有字段指定统一类型
df = pd.DataFrame(data, dtype = 'float32')
# 对每个字段分别指定
df = pd.read_excel(data, dtype = {'team':'string','Q1':'int32'})

来源：https://blog.csdn.net/Hudas/article/details/122921649