更改熊猫中的列类型
Posted
技术标签:
【中文标题】更改熊猫中的列类型【英文标题】:Change column type in pandas 【发布时间】:2013-03-31 05:45:02 【问题描述】:我想将表示为列表列表的表格转换为Pandas DataFrame
。作为一个极其简化的例子:
a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']]
df = pd.DataFrame(a)
将列转换为适当类型的最佳方法是什么,在这种情况下,第 2 列和第 3 列转换为浮点数?有没有办法在转换为 DataFrame 时指定类型?还是先创建 DataFrame 然后遍历列以更改每列的类型更好?理想情况下,我想以动态方式执行此操作,因为可能有数百列,我不想准确指定哪些列属于哪种类型。我只能保证每一列都包含相同类型的值。
【问题讨论】:
【参考方案1】:在 pandas 中转换类型有四个主要选项:
to_numeric()
- 提供安全地将非数字类型(例如字符串)转换为合适的数字类型的功能。 (另见to_datetime()
和to_timedelta()
。)
astype()
- 将(几乎)任何类型转换为(几乎)任何其他类型(即使这样做不一定明智)。还允许您转换为categorial 类型(非常有用)。
infer_objects()
- 如果可能的话,将包含 Python 对象的对象列转换为 pandas 类型的实用方法。
convert_dtypes()
- 将 DataFrame 列转换为支持pd.NA
的“最佳”dtype(pandas 的对象表示缺失值)。
继续阅读以了解这些方法的更详细说明和用法。
1。 to_numeric()
将 DataFrame 的一列或多列转换为数值的最佳方法是使用pandas.to_numeric()
。
此函数将尝试将非数字对象(如字符串)更改为适当的整数或浮点数。
基本用法
to_numeric()
的输入是一个系列或 DataFrame 的单列。
>>> s = pd.Series(["8", 6, "7.5", 3, "0.9"]) # mixed string and numeric values
>>> s
0 8
1 6
2 7.5
3 3
4 0.9
dtype: object
>>> pd.to_numeric(s) # convert everything to float values
0 8.0
1 6.0
2 7.5
3 3.0
4 0.9
dtype: float64
如您所见,返回了一个新系列。请记住将此输出分配给变量或列名以继续使用它:
# convert Series
my_series = pd.to_numeric(my_series)
# convert column "a" of a DataFrame
df["a"] = pd.to_numeric(df["a"])
您还可以通过apply()
方法使用它来转换DataFrame 的多个列:
# convert all columns of DataFrame
df = df.apply(pd.to_numeric) # convert all columns of DataFrame
# convert just columns "a" and "b"
df[["a", "b"]] = df[["a", "b"]].apply(pd.to_numeric)
只要您的值都可以转换,这可能就是您所需要的。
错误处理
但是如果有些值不能转换成数值类型呢?
to_numeric()
还采用 errors
关键字参数,允许您将非数字值强制为 NaN
,或直接忽略包含这些值的列。
这是一个使用一系列字符串 s
的示例,该字符串具有对象 dtype:
>>> s = pd.Series(['1', '2', '4.7', 'pandas', '10'])
>>> s
0 1
1 2
2 4.7
3 pandas
4 10
dtype: object
如果无法转换值,默认行为是引发。在这种情况下,它无法处理字符串'pandas':
>>> pd.to_numeric(s) # or pd.to_numeric(s, errors='raise')
ValueError: Unable to parse string
我们可能希望“熊猫”被视为缺失/错误的数值,而不是失败。我们可以使用 errors
关键字参数将无效值强制转换为 NaN
,如下所示:
>>> pd.to_numeric(s, errors='coerce')
0 1.0
1 2.0
2 4.7
3 NaN
4 10.0
dtype: float64
errors
的第三个选项只是在遇到无效值时忽略该操作:
>>> pd.to_numeric(s, errors='ignore')
# the original Series is returned untouched
最后一个选项对于转换整个 DataFrame 特别有用,但不知道我们的哪些列可以可靠地转换为数字类型。在这种情况下,只需写:
df.apply(pd.to_numeric, errors='ignore')
该函数将应用于 DataFrame 的每一列。可以转换为数字类型的列将被转换,而不能转换为数字类型的列(例如,它们包含非数字字符串或日期)将被保留。
向下转型
默认情况下,使用to_numeric()
进行转换将为您提供int64
或float64
dtype(或您的平台原生的任何整数宽度)。
这通常是您想要的,但是如果您想节省一些内存并使用更紧凑的 dtype,例如 float32
或 int8
,该怎么办?
to_numeric()
让您可以选择向下转换为 'integer'
、'signed'
、'unsigned'
、'float'
。以下是整数类型的简单系列s
的示例:
>>> s = pd.Series([1, 2, -7])
>>> s
0 1
1 2
2 -7
dtype: int64
向下转换为 'integer'
使用可以容纳值的最小可能整数:
>>> pd.to_numeric(s, downcast='integer')
0 1
1 2
2 -7
dtype: int8
向下转换为 'float'
同样会选择比正常浮动类型更小的:
>>> pd.to_numeric(s, downcast='float')
0 1.0
1 2.0
2 -7.0
dtype: float32
2。 astype()
astype()
方法使您能够明确说明您希望 DataFrame 或 Series 具有的 dtype。它用途广泛,您可以尝试从一种类型转换为任何其他类型。
基本用法
只需选择一种类型:您可以使用 NumPy dtype(例如 np.int16
)、一些 Python 类型(例如 bool)或 pandas 特定类型(例如 categorical dtype)。
在你想转换的对象上调用方法,astype()
会尝试为你转换:
# convert all DataFrame columns to the int64 dtype
df = df.astype(int)
# convert column "a" to int64 dtype and "b" to complex type
df = df.astype("a": int, "b": complex)
# convert Series to float16 type
s = s.astype(np.float16)
# convert Series to Python strings
s = s.astype(str)
# convert Series to categorical type - see docs for more details
s = s.astype('category')
注意我说的是“尝试” - 如果astype()
不知道如何转换 Series 或 DataFrame 中的值,它将引发错误。例如,如果您有 NaN
或 inf
值,尝试将其转换为整数时会出错。
从 pandas 0.20.0 开始,可以通过传递 errors='ignore'
来抑制此错误。您的原始对象将原封不动地返回。
小心
astype()
功能强大,但它有时会“错误地”转换值。例如:
>>> s = pd.Series([1, 2, -7])
>>> s
0 1
1 2
2 -7
dtype: int64
这些都是小整数,那么转换成无符号的8位类型如何节省内存呢?
>>> s.astype(np.uint8)
0 1
1 2
2 249
dtype: uint8
转换成功,但 -7 被环绕成 249(即 28 - 7)!
尝试使用pd.to_numeric(s, downcast='unsigned')
向下转换可能有助于防止出现此错误。
3。 infer_objects()
pandas 0.21.0 版引入了 infer_objects()
方法,用于将 DataFrame 中具有对象数据类型的列转换为更具体的类型(软转换)。
例如,这是一个包含两列对象类型的 DataFrame。一个保存实际整数,另一个保存表示整数的字符串:
>>> df = pd.DataFrame('a': [7, 1, 5], 'b': ['3','2','1'], dtype='object')
>>> df.dtypes
a object
b object
dtype: object
使用infer_objects()
,您可以将列'a'的类型更改为int64:
>>> df = df.infer_objects()
>>> df.dtypes
a int64
b object
dtype: object
列 'b' 被单独留下,因为它的值是字符串,而不是整数。如果你想强制两列都为整数类型,你可以改用df.astype(int)
。
4。 convert_dtypes()
1.0 及更高版本包含一个方法convert_dtypes()
,用于将Series 和DataFrame 列转换为支持pd.NA
缺失值的最佳dtype。
这里的“最好的”是指最适合保存值的类型。例如,这是一个pandas整数类型,如果所有的值都是整数(或缺失值):Python整数对象的一个对象列转换为Int64
,NumPy的一个int32
值列,将成为pandas dtype Int32
.
使用我们的object
DataFrame df
,我们得到以下结果:
>>> df.convert_dtypes().dtypes
a Int64
b string
dtype: object
由于列 'a' 保存整数值,它被转换为 Int64
类型(它能够保存缺失值,与 int64
不同)。
“b”列包含字符串对象,因此已更改为 pandas'string
dtype。
默认情况下,此方法将根据每列中的对象值推断类型。我们可以通过 infer_objects=False
来改变它:
>>> df.convert_dtypes(infer_objects=False).dtypes
a object
b string
dtype: object
现在列“a”仍然是一个对象列:pandas 知道它可以被描述为一个“整数”列(在内部它运行 infer_dtype
)但没有准确推断它应该具有什么 dtype 的整数所以没有转换它。列 'b' 再次转换为 'string' dtype,因为它被识别为包含 'string' 值。
【讨论】:
另外,与 .astype(float) 不同,这会将字符串转换为 NaN,而不是引发错误.convert_objects
自 0.17
以来已弃用 - 请改用 df.to_numeric
有没有办法在astype()
中error=coerce
?
@fogx 不,没有。你可以refer here【参考方案2】:
这个怎么样?
a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']]
df = pd.DataFrame(a, columns=['one', 'two', 'three'])
df
Out[16]:
one two three
0 a 1.2 4.2
1 b 70 0.03
2 x 5 0
df.dtypes
Out[17]:
one object
two object
three object
df[['two', 'three']] = df[['two', 'three']].astype(float)
df.dtypes
Out[19]:
one object
two float64
three float64
【讨论】:
是的!pd.DataFrame
有一个 dtype
参数,可以让你做你正在寻找的事情。 df = pd.DataFrame(a, columns=['one', 'two', 'three'], dtype=float) In [2]: df.dtypes Out[2]: 一个对象 两个 float64 三个 float64 dtype: object
当我按照建议尝试时,我收到警告 SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_index,col_indexer] = value instead
。这可能是在较新版本的 pandas 中引入的,因此我没有发现任何问题,但我只是想知道这个警告是关于什么的。有什么想法吗?
@orange 警告是提醒用户注意潜在的混淆行为与链式操作,以及 Pandas 返回的副本而不是编辑数据帧。见***.com/questions/20625582/… 和相关的。
这个方法不错,但是当一列有NaN时就不行了。不知道为什么 NaN 在将 float 转换为 int 时不能保持 NaN:ValueError: Cannot convert NA to integer
@GillBates 是的,在字典中。 df = pd.DataFrame(a, columns=['one', 'two', 'three'], dtype='one': str, 'two': int, 'three': float)
。不过,我很难找到可接受的“dtype”值的规范。一个列表会很好(目前我做dict(enumerate(my_list))
)。【参考方案3】:
下面的代码将改变列的数据类型。
df[['col.name1', 'col.name2'...]] = df[['col.name1', 'col.name2'..]].astype('data_type')
你可以给你的数据类型代替数据类型。你想要什么,比如 str、float、int 等。
【讨论】:
请注意,当使用 data_typebool
将其应用于包含字符串 ``` 'True' ``` 和 `` 'False' ``` 的列时,所有内容都会更改为True
.
这个选项你也可以转换成类型“category”【参考方案4】:
当我只需要指定特定的列并且我想要明确时,我使用过(根据DOCS LOCATION):
dataframe = dataframe.astype('col_name_1':'int','col_name_2':'float64', etc. ...)
因此,使用原始问题,但为其提供列名...
a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']]
df = pd.DataFrame(a, columns=['col_name_1', 'col_name_2', 'col_name_3'])
df = df.astype('col_name_2':'float64', 'col_name_3':'float64')
【讨论】:
【参考方案5】:这是一个函数,它以一个 DataFrame 和一个列列表为参数,并将列中的所有数据强制转换为数字。
# df is the DataFrame, and column_list is a list of columns as strings (e.g ["col1","col2","col3"])
# dependencies: pandas
def coerce_df_columns_to_numeric(df, column_list):
df[column_list] = df[column_list].apply(pd.to_numeric, errors='coerce')
所以,对于你的例子:
import pandas as pd
def coerce_df_columns_to_numeric(df, column_list):
df[column_list] = df[column_list].apply(pd.to_numeric, errors='coerce')
a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']]
df = pd.DataFrame(a, columns=['col1','col2','col3'])
coerce_df_columns_to_numeric(df, ['col2','col3'])
【讨论】:
如果您想使用列索引而不是列名怎么办?【参考方案6】:熊猫 >= 1.0
下面的图表总结了 pandas 中一些最重要的转换。
到字符串的转换是微不足道的.astype(str)
,图中没有显示。
“硬”转化与“软”转化
请注意,此上下文中的“转换”既可以指将文本数据转换为其实际数据类型(硬转换),也可以为对象列中的数据推断出更合适的数据类型(软转换)。为了说明差异,请看一下
df = pd.DataFrame('a': ['1', '2', '3'], 'b': [4, 5, 6], dtype=object)
df.dtypes
a object
b object
dtype: object
# Actually converts string to numeric - hard conversion
df.apply(pd.to_numeric).dtypes
a int64
b int64
dtype: object
# Infers better data types for object data - soft conversion
df.infer_objects().dtypes
a object # no change
b int64
dtype: object
# Same as infer_objects, but converts to equivalent ExtensionType
df.convert_dtypes().dtypes
【讨论】:
【参考方案7】:如何创建两个数据框,每个数据框的列具有不同的数据类型,然后将它们附加在一起?
d1 = pd.DataFrame(columns=[ 'float_column' ], dtype=float)
d1 = d1.append(pd.DataFrame(columns=[ 'string_column' ], dtype=str))
结果
In[8: d1.dtypes
Out[8]:
float_column float64
string_column object
dtype: object
创建数据框后,您可以在第一列中填充浮点变量,在第二列中填充字符串(或您想要的任何数据类型)。
【讨论】:
【参考方案8】:df.info() 为我们提供了 temp 的初始数据类型,即 float64
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 date 132 non-null object
1 temp 132 non-null float64
现在,使用此代码将数据类型更改为 int64:
df['temp'] = df['temp'].astype('int64')
如果你再次执行 df.info(),你会看到:
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 date 132 non-null object
1 temp 132 non-null int64
这表明您已成功更改列 temp 的数据类型。编码愉快!
【讨论】:
我喜欢 df.info() 在最后一行中提供内存使用的方式。【参考方案9】:从 pandas 1.0.0 开始,我们有 pandas.DataFrame.convert_dtypes
。您甚至可以控制要转换的类型!
In [40]: df = pd.DataFrame(
...:
...: "a": pd.Series([1, 2, 3], dtype=np.dtype("int32")),
...: "b": pd.Series(["x", "y", "z"], dtype=np.dtype("O")),
...: "c": pd.Series([True, False, np.nan], dtype=np.dtype("O")),
...: "d": pd.Series(["h", "i", np.nan], dtype=np.dtype("O")),
...: "e": pd.Series([10, np.nan, 20], dtype=np.dtype("float")),
...: "f": pd.Series([np.nan, 100.5, 200], dtype=np.dtype("float")),
...:
...: )
In [41]: dff = df.copy()
In [42]: df
Out[42]:
a b c d e f
0 1 x True h 10.0 NaN
1 2 y False i NaN 100.5
2 3 z NaN NaN 20.0 200.0
In [43]: df.dtypes
Out[43]:
a int32
b object
c object
d object
e float64
f float64
dtype: object
In [44]: df = df.convert_dtypes()
In [45]: df.dtypes
Out[45]:
a Int32
b string
c boolean
d string
e Int64
f float64
dtype: object
In [46]: dff = dff.convert_dtypes(convert_boolean = False)
In [47]: dff.dtypes
Out[47]:
a Int32
b string
c object
d string
e Int64
f float64
dtype: object
【讨论】:
【参考方案10】:df = df.astype("columnname": str)
#e.g - 用于将列类型更改为字符串
【讨论】:
此副本已根据Flag Duplicate Answers on the same Question 标记为版主。虽然这是一个答案,但 duplicates code 在 accepted answer 和其他答案中。对于 SO 来说,使用相同的解决方案保留许多答案并没有额外的价值,也不需要为每个type
提供一个示例。相反,请为现有答案投票。【参考方案11】:
我以为我遇到了同样的问题,但实际上我有一点不同,这使得问题更容易解决。对于其他查看此问题的人,值得检查输入列表的格式。在我的情况下,数字最初是浮点数,而不是问题中的字符串:
a = [['a', 1.2, 4.2], ['b', 70, 0.03], ['x', 5, 0]]
但是在创建数据框之前过多地处理列表,我会丢失类型,所有内容都变成了字符串。
通过 numpy 数组创建数据框
df = pd.DataFrame(np.array(a))
df
Out[5]:
0 1 2
0 a 1.2 4.2
1 b 70 0.03
2 x 5 0
df[1].dtype
Out[7]: dtype('O')
给出与问题中相同的数据框,其中第 1 列和第 2 列中的条目被视为字符串。然而做
df = pd.DataFrame(a)
df
Out[10]:
0 1 2
0 a 1.2 4.20
1 b 70.0 0.03
2 x 5.0 0.00
df[1].dtype
Out[11]: dtype('float64')
确实给出了一个数据框,其中的列格式正确
【讨论】:
以上是关于更改熊猫中的列类型的主要内容,如果未能解决你的问题,请参考以下文章
如何在 Pandas 数据框中的特定位置插入一列? (更改熊猫数据框中的列顺序)