pandas中的更改数据类型

         在处理数据时，可能会遇到数据类型不一致的问题。例如，通过爬虫采集到的数据都是整型的数据，在使用数据时希望保留两位小数点，这时就需要将数据的类型转换成浮点型。针对这种问题，既可以创建Pandas对象时明确指定数据的类型，也可以使用astype()方法和to_numeric()函数进行转换，具体如下。

一、通过astype()方法强制转换数据的类型

        astype(dtype，copy=True，errors=‘raises’， kwargs)**

上述方法中的部分参数表示的含义如下：

               1. dtype：表示数据的类型。

               2. copy：是否建立副本，默认为True。

               3. errors：错误采取的处理方式，可以取值为raise或ignore，默认为raise。其中raise表示允许引发异常，ingore表示抑制异常。

接下来通过代码演示：

import pandas as pd                       #创建DataFrame对象
jk=pd.DataFrame({'A':['1','1.2','4.2']
                ,'B':['-9','70','88']
                ,'C':['x','5.0','0']})
jk

jk.dtypes

jk['B'].astype(dtype='int')          #转换为int

jk['A'].astype(dtype='float')

#errors='ignore’的用法

jk['C'].astype(dtype='int',errors='ignore') 

二、通过to_numeric()函数转换数据类型

      astype()方法虽然可以转换数据的类型，但是它存在着一些局限性，只要待转换的数据中存在数字以外的字符，在使用astype()方法进行类型转换时就会出现错误，而to_numeric()函数可以解决这个问题。

     to_numeric()函数可以将传入的参数转换为数值类型，语法如下：
       pandas.to_numeric(arg，errors=‘raise’，downcast=None)

上述函数中常用参数表示的含义如下：

1. arg：表示要转换的数据，可以是list，tuple，Series。

2. errors：错误采取的处理方式，参数有：“raise”，“coerce”，“ignore”.
   （1）raise：无效的解析将引发异常

   （2）coerce：无效的解析设置为NaN              //这个在astype里面没有

   （3）ignore：无效的解析将返回输入

接下来通过代码演示：

import pandas as pd       #to_numeric转换的数据是list,tuple,Series,不能直接对DataFrame转换
ser_obj=pd.Series(['1','4.2','1.2'])
ser_obj

pd.to_numeric(ser_obj)

import pandas as pd                             #
jk=pd.Series(['1','4.2','k'])
jk

pd.to_numeric(jk,errors='coerce')

由于to_numeric()不能直接对DataFrame直接使用，所以可以使用apply方法，让它对全体DataFrame生效

import pandas as pd
jk=pd.DataFrame({'A':['1','1.2','4.2']
                ,'B':['-9','70','88']
                ,'C':['x','5.0','0']})
jk

jkp=jk.apply(pd.to_numeric,errors='coerce')
jkp

如果不使用该方法会出错

---

---

作者：KJ.JK
本文仅用于交流学习，未经作者允许，禁止转载，更勿做其他用途，违者必究。
文章对你有所帮助的话，欢迎给个赞或者 star 呀，你的支持是对作者最大的鼓励，不足之处可以在评论区多多指正，交流学习呀。