pandas 以字符串读取数据_pandas 数据类型转换

数据处理过程的数据类型

• 当利用pandas进行数据处理的时候，经常会遇到数据类型的问题，当拿到数据的时候，首先需要确定拿到的是正确类型的数据，一般通过数据类型的转化，这篇文章就介绍pandas里面的数据类型(data types也就是常用的dtyps)，以及pandas与numpy之间的数据对应关系。

• 主要介绍object，int64，float64，datetime64，bool等几种类型，category与timedelta两种类型会单独的在其他文章中进行介绍。当然本文中也会涉及简单的介绍。

数据类型的问题一般都是出了问题之后才会发现的，所以有了一些经验之后就会拿到数据之后，就直接看数据类型，是否与自己想要处理的数据格式一致，这样可以从一开始避免一些尴尬的问题出现。那么我们以一个简单的例子，利用jupyter notebook进行一个数据类型的介绍。

####按照惯例导入两个常用的数据处理的包，numpy与pandasimport numpy as npimport pandas as pd# 从csv文件读取数据，数据表格中只有5行，里面包含了float，string，int三种数据python类型，也就是分别对应的pandas的float64，object，int64# csv文件中共有六列，第一列是表头，其余是数据。df = pd.read_csv("sales_data_types.csv")print(df)Customer Number     Customer Name          2016            2017  0            10002  Quest Industries  $125,000.00     $162,500.00    1           552278    Smith Plumbing  $920,000.00   $1,012,000.00    2            23477   ACME Industrial   $50,000.00      $62,500.00    3            24900        Brekke LTD  $350,000.00     $490,000.00    4           651029         Harbor Co   $15,000.00      $12,750.00      Percent Growth Jan Units  Month  Day  Year Active  0         30.00%       500      1   10  2015      Y  1         10.00%       700      6   15  2014      Y  2         25.00%       125      3   29  2016      Y  3          4.00%        75     10   27  2015      Y  4        -15.00%    Closed      2    2  2014      Ndf.dtypesCustomer Number     int64Customer Name      object2016               object2017               objectPercent Growth     objectJan Units          objectMonth               int64Day                 int64Year                int64Active             objectdtype: object# 假如想得到2016年与2017年的数据总和，可以尝试,但并不是我们需要的答案，因为这两列中的数据类型是object，执行该操作之后，得到是一个更加长的字符串，# 当然我们可以通过df.info() 来获得关于数据框的更多的详细信息，df['2016']+df['2017']0      $125,000.00 $162,500.00 1    $920,000.00 $1,012,000.00 2        $50,000.00 $62,500.00 3      $350,000.00 $490,000.00 4        $15,000.00 $12,750.00 dtype: objectdf.info()# Customer Number 列是float64，然而应该是int64# 2016 2017两列的数据是object，并不是float64或者int64格式# Percent以及Jan Units 也是objects而不是数字格式# Month，Day以及Year应该转化为datetime64[ns]格式# Active 列应该是布尔值# 如果不做数据清洗，很难进行下一步的数据分析，为了进行数据格式的转化，pandas里面有三种比较常用的方法# 1. astype()强制转化数据类型# 2. 通过创建自定义的函数进行数据转化# 3. pandas提供的to_nueric()以及to_datetime()RangeIndex: 5 entries, 0 to 4Data columns (total 10 columns):Customer Number    5 non-null int64Customer Name      5 non-null object2016               5 non-null object2017               5 non-null objectPercent Growth     5 non-null objectJan Units          5 non-null objectMonth              5 non-null int64Day                5 non-null int64Year               5 non-null int64Active             5 non-null objectdtypes: int64(4), object(6)memory usage: 480.0+ bytes

首先介绍最常用的astype()

比如可以通过astype()将第一列的数据转化为整数int类型

df['Customer Number'].astype("int")#  这样的操作并没有改变原始的数据框，而只是返回的一个拷贝0     100021    5522782     234773     249004    651029Name: Customer Number, dtype: int32# 想要真正的改变数据框，通常需要通过赋值来进行，比如df["Customer Number"] = df["Customer Number"].astype("int")print(df)print("--------"*10)print(df.dtypes)Customer Number     Customer Name          2016            2017  0            10002  Quest Industries  $125,000.00     $162,500.00    1           552278    Smith Plumbing  $920,000.00   $1,012,000.00    2            23477   ACME Industrial   $50,000.00      $62,500.00    3            24900        Brekke LTD  $350,000.00     $490,000.00    4           651029         Harbor Co   $15,000.00      $12,750.00      Percent Growth Jan Units  Month  Day  Year Active  0         30.00%       500      1   10  2015      Y  1         10.00%       700      6   15  2014      Y  2         25.00%       125      3   29  2016      Y  3          4.00%        75     10   27  2015      Y  4        -15.00%    Closed      2    2  2014      N  --------------------------------------------------------------------------------Customer Number     int32Customer Name      object2016               object2017               objectPercent Growth     objectJan Units          objectMonth               int64Day                 int64Year                int64Active             objectdtype: object# 通过赋值在原始的数据框基础上进行了数据转化，可以重新看一下我们新生成的数据框print(df)Customer Number     Customer Name          2016            2017  0            10002  Quest Industries  $125,000.00     $162,500.00    1           552278    Smith Plumbing  $920,000.00   $1,012,000.00    2            23477   ACME Industrial   $50,000.00      $62,500.00    3            24900        Brekke LTD  $350,000.00     $490,000.00    4           651029         Harbor Co   $15,000.00      $12,750.00      Percent Growth Jan Units  Month  Day  Year Active  0         30.00%       500      1   10  2015      Y  1         10.00%       700      6   15  2014      Y  2         25.00%       125      3   29  2016      Y  3          4.00%        75     10   27  2015      Y  4        -15.00%    Closed      2    2  2014      N# 然后像2016,2017 Percent Growth，Jan Units 这几列带有特殊符号的object是不能直接通过astype("flaot)方法进行转化的，# 这与python中的字符串转化为浮点数，都要求原始的字符都只能含有数字本身，不能含有其他的特殊字符# 我们可以试着将将Active列转化为布尔值，看一下到底会发生什么,五个结果全是True，说明并没有起到什么作用#df["Active"].astype("bool")df['2016'].astype('float')---------------------------------------------------------------------------ValueError                                Traceback (most recent call last) in ()----> 1 df['2016'].astype('float')C:Anaconda3libsite-packagespandascoregeneric.py in astype(self, dtype, copy, raise_on_error, **kwargs)   3052         # else, only a single dtype is given   3053         new_data = self._data.astype(dtype=dtype, copy=copy,-> 3054                                      raise_on_error=raise_on_error, **kwargs)   3055         return self._constructor(new_data).__finalize__(self)   3056 C:Anaconda3libsite-packagespandascoreinternals.py in astype(self, dtype, **kwargs)   3187    3188     def astype(self, dtype, **kwargs):-> 3189         return self.apply('astype', dtype=dtype, **kwargs)   3190    3191     def convert(self, **kwargs):C:Anaconda3libsite-packagespandascoreinternals.py in apply(self, f, axes, filter, do_integrity_check, consolidate, **kwargs)   3054    3055             kwargs['mgr'] = self-> 3056             applied = getattr(b, f)(**kwargs)   3057             result_blocks = _extend_blocks(applied, result_blocks)   3058 C:Anaconda3libsite-packagespandascoreinternals.py in astype(self, dtype, copy, raise_on_error, values, **kwargs)    459                **kwargs):    460         return self._astype(dtype, copy=copy, raise_on_error=raise_on_error,--> 461                             values=values, **kwargs)    462     463     def _astype(self, dtype, copy=False, raise_on_error=True, values=None,C:Anaconda3libsite-packagespandascoreinternals.py in _astype(self, dtype, copy, raise_on_error, values, klass, mgr, **kwargs)    502     503                 # _astype_nansafe works fine with 1-d only--> 504                 values = _astype_nansafe(values.ravel(), dtype, copy=True)    505                 values = values.reshape(self.shape)    506 C:Anaconda3libsite-packagespandasypescast.py in _astype_nansafe(arr, dtype, copy)    535     536     if copy:--> 537         return arr.astype(dtype)    538     return arr.view(dtype)    539 ValueError: could not convert string to float: '$15,000.00 '

以上的问题说明了一些问题

• 如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

通过自定义函数清理数据

• 通过下面的函数可以将货币进行转化

def convert_currency(var):    """    convert the string number to a float    _ 去除$    - 去除逗号，    - 转化为浮点数类型    """    new_value = var.replace(",","").replace("$","")    return float(new_value)# 通过replace函数将$以及逗号去掉，然后字符串转化为浮点数，让pandas选择pandas认为合适的特定类型，float或者int，该例子中将数据转化为了float64# 通过pandas中的apply函数将2016列中的数据全部转化df["2016"].apply(convert_currency)0    125000.01    920000.02     50000.03    350000.04     15000.0Name: 2016, dtype: float64# 当然可以通过lambda 函数将这个比较简单的函数一行带过df["2016"].apply(lambda x: x.replace(",","").replace("$","")).astype("float64")0    125000.01    920000.02     50000.03    350000.04     15000.0Name: 2016, dtype: float64#同样可以利用lambda表达式将PercentGrowth进行数据清理df["Percent Growth"].apply(lambda x: x.replace("%","")).astype("float")/1000    0.301    0.102    0.253    0.044   -0.15Name: Percent Growth, dtype: float64# 同样可以通过自定义函数进行解决，结果同上# 最后一个自定义函数是利用np.where() function 将Active 列转化为布尔值。df["Active"] = np.where(df["Active"] == "Y", True, False)df["Active"]0     True1     True2     True3     True4    FalseName: Active, dtype: bool# 此时可查看一下数据格式df["2016"]=df["2016"].apply(lambda x: x.replace(",","").replace("$","")).astype("float64")df["2017"]=df["2017"].apply(lambda x: x.replace(",","").replace("$","")).astype("float64")df["Percent Growth"]=df["Percent Growth"].apply(lambda x: x.replace("%","")).astype("float")/100df.dtypesCustomer Number      int32Customer Name       object2016               float642017               float64Percent Growth     float64Jan Units           objectMonth                int64Day                  int64Year                 int64Active                booldtype: object# 再次查看DataFrame# 此时只有Jan Units中格式需要转化，以及年月日的合并，可以利用pandas中自带的几个函数进行处理print(df)Customer Number     Customer Name      2016       2017  Percent Growth  0            10002  Quest Industries  125000.0   162500.0            0.30   1           552278    Smith Plumbing  920000.0  1012000.0            0.10   2            23477   ACME Industrial   50000.0    62500.0            0.25   3            24900        Brekke LTD  350000.0   490000.0            0.04   4           651029         Harbor Co   15000.0    12750.0           -0.15     Jan Units  Month  Day  Year Active  0       500      1   10  2015   True  1       700      6   15  2014   True  2       125      3   29  2016   True  3        75     10   27  2015   True  4    Closed      2    2  2014  False

利用pandas中函数进行处理

# pandas中pd.to_numeric()处理Jan Units中的数据pd.to_numeric(df["Jan Units"],errors='coerce').fillna(0)0    500.01    700.02    125.03     75.04      0.0Name: Jan Units, dtype: float64# 最后利用pd.to_datatime()将年月日进行合并pd.to_datetime(df[['Month', 'Day', 'Year']])0   2015-01-101   2014-06-152   2016-03-293   2015-10-274   2014-02-02dtype: datetime64[ns]# 做到这里不要忘记重新赋值，否则原始数据并没有变化df["Jan Units"] = pd.to_numeric(df["Jan Units"],errors='coerce')df["Start_date"] = pd.to_datetime(df[['Month', 'Day', 'Year']])df

df.dtypesCustomer Number             int32Customer Name              object2016                      float642017                      float64Percent Growth            float64Jan Units                 float64Month                       int64Day                         int64Year                        int64Active                       boolStart_date         datetime64[ns]dtype: object# 将这些转化整合在一起def convert_percent(val):    """    Convert the percentage string to an actual floating point percent    - Remove %    - Divide by 100 to make decimal    """    new_val = val.replace('%', '')    return float(new_val) / 100df_2 = pd.read_csv("sales_data_types.csv",dtype={"Customer_Number":"int"},converters={    "2016":convert_currency,    "2017":convert_currency,    "Percent Growth":convert_percent,    "Jan Units":lambda x:pd.to_numeric(x,errors="coerce"),    "Active":lambda x: np.where(x=="Y",True,False)})df_2.dtypesCustomer Number      int64Customer Name       object2016               float642017               float64Percent Growth     float64Jan Units          float64Month                int64Day                  int64Year                 int64Active              booldtype: objectdf_2