分配 pandas 数据框列 dtypes

Posted 2023-03-11

【中文标题】分配 pandas 数据框列 dtypes

【英文标题】：Assign pandas dataframe column dtypes

【发布时间】：2014-02-07 11:37:35

【问题描述】：

我想在pd.Dataframe 中设置多个列的dtypes（我有一个文件，我必须手动解析为列表列表，因为该文件不适用于pd.read_csv）

import pandas as pd
print pd.DataFrame([['a','1'],['b','2']],
                   dtype='x':'object','y':'int',
                   columns=['x','y'])

我明白了

ValueError: entry not a 2- or 3- tuple

我可以设置它们的唯一方法是循环遍历每个列变量并使用astype 重铸。

dtypes = 'x':'object','y':'int'
mydata = pd.DataFrame([['a','1'],['b','2']],
                      columns=['x','y'])
for c in mydata.columns:
    mydata[c] = mydata[c].astype(dtypes[c])
print mydata['y'].dtype   #=> int64

有没有更好的办法？

【问题讨论】：

这可能是一个很好的bug / feature request，目前我不确定 dtype arg 在做什么（你可以传递一个标量，但它并不严格）...

仅供参考：df = pd.DataFrame([['a','1'],['b','2']], dtype='int', columns=['x','y'])“有效”...但是：s

是的，确实“有效”；出乎意料...

这个 GitHub 问题可能很快就会变得相关：github.com/pydata/pandas/issues/9287

【参考方案1】：

从 0.17 开始，您必须使用显式转换：

pd.to_datetime, pd.to_timedelta and pd.to_numeric

（如下所述，不再有“魔法”，convert_objects 已在 0.17 中弃用）

df = pd.DataFrame('x': 0: 'a', 1: 'b', 'y': 0: '1', 1: '2', 'z': 0: '2018-05-01', 1: '2018-05-02')

df.dtypes

x    object
y    object
z    object
dtype: object

df

   x  y           z
0  a  1  2018-05-01
1  b  2  2018-05-02

您可以将这些应用于要转换的每一列：

df["y"] = pd.to_numeric(df["y"])
df["z"] = pd.to_datetime(df["z"])    
df

   x  y          z
0  a  1 2018-05-01
1  b  2 2018-05-02

df.dtypes

x            object
y             int64
z    datetime64[ns]
dtype: object

并确认 dtype 已更新。

---

熊猫 0.12 - 0.16 的旧/弃用答案：您可以使用 convert_objects 推断更好的 dtypes：

In [21]: df
Out[21]: 
   x  y
0  a  1
1  b  2

In [22]: df.dtypes
Out[22]: 
x    object
y    object
dtype: object

In [23]: df.convert_objects(convert_numeric=True)
Out[23]: 
   x  y
0  a  1
1  b  2

In [24]: df.convert_objects(convert_numeric=True).dtypes
Out[24]: 
x    object
y     int64
dtype: object

魔法！（很遗憾看到它被弃用了。）

【讨论】：

有点像R中的type.convert；不错，但在某些情况下确实让人希望明确说明。

如果有一列需要是字符串但至少包含一个可以转换为 int 的值，请小心。只需要一个值，整个字段都转换为 float64

我注意到convert_objects() 已被弃用...我不确定是什么取代了它？

要重新推断对象列的数据类型，请使用 DataFrame.infer_objects()

@smci 好的，我已经编辑过了。有一堆已弃用的答案，我需要想办法找到所有答案。

【参考方案2】：

对于那些来自谷歌（等）的人，比如我自己：

convert_objects 自 0.17 起已被弃用 - 如果您使用它，您会收到如下警告：

FutureWarning: convert_objects is deprecated.  Use the data-type specific converters 
pd.to_datetime, pd.to_timedelta and pd.to_numeric.

您应该执行以下操作：

df =df.astype(np.float) df["A"] =pd.to_numeric(df["A"])

【讨论】：

如果你提供了一些pd.to_datetime, to_timedelta, to_numeric 的例子，这应该是公认的答案。

【参考方案3】：

您可以使用 pandas DataFrame.astype(dtype, copy=True, raise_on_error=True, **kwargs) 显式设置类型，并使用您想要的 dtypes 传入字典 dtype

这是一个例子：

import pandas as pd
wheel_number = 5
car_name = 'jeep'
minutes_spent = 4.5

# set the columns
data_columns = ['wheel_number', 'car_name', 'minutes_spent']

# create an empty dataframe
data_df = pd.DataFrame(columns = data_columns)
df_temp = pd.DataFrame([[wheel_number, car_name, minutes_spent]],columns = data_columns)
data_df = data_df.append(df_temp, ignore_index=True) 

你得到

In [11]: data_df.dtypes
Out[11]:
wheel_number     float64
car_name          object
minutes_spent    float64
dtype: object

与

data_df = data_df.astype(dtype= "wheel_number":"int64",
        "car_name":"object","minutes_spent":"float64")

现在你可以看到它已经改变了

In [18]: data_df.dtypes
Out[18]:
wheel_number       int64
car_name          object
minutes_spent    float64

【参考方案4】：

另一种设置列类型的方法是先用你想要的类型构造一个 numpy 记录数组，填充它，然后将它传递给 DataFrame 构造函数。

import pandas as pd
import numpy as np    

x = np.empty((10,), dtype=[('x', np.uint8), ('y', np.float64)])
df = pd.DataFrame(x)

df.dtypes ->

x      uint8
y    float64

【参考方案5】：

最好使用类型化的 np.arrays，然后将数据和列名作为字典传递。

import numpy as np
import pandas as pd
# Feature: np arrays are 1: efficient, 2: can be pre-sized
x = np.array(['a', 'b'], dtype=object)
y = np.array([ 1 ,  2 ], dtype=np.int32)
df = pd.DataFrame(
   'x' : x,    # Feature: column name is near data array
   'y' : y,
   
 )

【讨论】：

这是迄今为止最好的答案！我希望它能快速上升。

【参考方案6】：

面临与您类似的问题。就我而言，我有 1000 个来自 cisco 日志的文件需要手动解析。

为了灵活处理字段和类型，我已经使用 StringIO + read_cvs 成功进行了测试，它确实接受了 dtype 规范的字典。

我通常将每个文件（5k-20k 行）放入缓冲区并动态创建 dtype 字典。

最终我将这些数据帧连接（使用分类......感谢 0.19）成一个大数据帧，然后转储到 hdf5 中。

类似的东西

import pandas as pd
import io 

output = io.StringIO()
output.write('A,1,20,31\n')
output.write('B,2,21,32\n')
output.write('C,3,22,33\n')
output.write('D,4,23,34\n')

output.seek(0)


df=pd.read_csv(output, header=None,
        names=["A","B","C","D"],
        dtype="A":"category","B":"float32","C":"int32","D":"float64",
        sep=","
       )

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 4 columns):
A    5 non-null category
B    5 non-null float32
C    5 non-null int32
D    5 non-null float64
dtypes: category(1), float32(1), float64(1), int32(1)
memory usage: 205.0 bytes
None

不是很pythonic....但可以完成工作

希望对你有帮助。

JC