pandas中的astype()

改变数据类型

在Pandas中，改变数据类型（dtype）是常见的操作，通常用于确保数据的一致性和优化性能。以下是一些常用的函数和方法来改变Pandas DataFrame或Series中的数据类型：

astype() 方法

• 这是最常用的方法，用于将DataFrame或Series转换为指定的数据类型。

• 示例：

  df['A'] = df['A'].astype(int)
  df['B'] = df['B'].astype(float)
  df['C'] = df['C'].astype(bool)
  df['C'] = df['C'].astype("category")
  df['C'] = df['C'].astype("datetime64[ns]")
  
  

to_numeric() 函数

• 用于将参数转换为数字类型（整数或浮点数），并可以处理无法转换的值（例如，通过errors参数指定如何处理错误）。

• 示例：

  df['C'] = pd.to_numeric(df['C'], errors='coerce')  # 将无法转换的值设置为NaN
  

to_datetime() 函数

• 用于将参数转换为日期时间类型。

• 示例：

  df['date'] = pd.to_datetime(df['date'])
  

to_timedelta() 函数

• 用于将参数转换为时间间隔（timedelta）类型。

• 示例：

  df['timedelta'] = pd.to_timedelta(df['timedelta'])
  

infer_objects()` 方法

• 尝试将列中的对象类型数据转换为更具体的类型（例如，整数、浮点数、布尔值等）。

• 示例：

  df = df.infer_objects()
  

astype(category) 方法

• 将数据转换为分类类型（categorical），这对于具有重复值的列特别有用，可以节省内存。

• 示例：

  df[‘category_col’] = df[‘category_col’].astype(‘category’)

pd.to_numeric 与 errors 参数

• 前面已经提到，但值得再次强调errors参数的作用。它可以设置为'raise', 'coerce', 或 'ignore'，以控制无法转换值的处理方式。

• 示例：

  
  df['numeric_col'] = pd.to_numeric(df['numeric_col'], errors='coerce')  # 将无法转换的值设置为NaN
  

applymap() 方法

（间接改变数据类型）：

• 虽然applymap()主要用于对DataFrame的每个元素应用一个函数，但你可以通过这个函数间接改变数据类型。

• 示例：

  def convert_to_int(x):
      try:
          return int(x)
      except ValueError:
          return x  # 或者返回其他默认值
   
  df = df.applymap(convert_to_int)
  

这些方法提供了灵活的方式来处理Pandas中的数据类型转换，根据具体需求选择合适的方法即可