看我看我rj ljh

Python 非数字处理

在Python中处理非数字数据通常涉及类型检查、数据清洗和转换。以下是常见的方法和技巧：

---

检查变量是否为数字

使用 isinstance() 结合 int、float 或 numbers.Number 可以判断变量是否为数字类型：

import numbers

def is_number(x):
    return isinstance(x, (int, float, numbers.Number))

---

处理字符串中的非数字

使用字符串方法或正则表达式过滤非数字字符：

import re

s = "abc123def456"
digits = re.sub(r"[^\d]", "", s)  # 结果为 "123456"

---

转换非数字为默认值

在无法转换为数字时，提供默认值（如 0 或 None）：

def to_float(x, default=0.0):
    try:
        return float(x)
    except (ValueError, TypeError):
        return default

---

Pandas 中的非数字处理

在 Pandas 中，pd.to_numeric() 可以强制转换非数字为 NaN，并配合 fillna 处理缺失值：

import pandas as pd

df = pd.DataFrame({"col": ["1", "a", "3"]})
df["col"] = pd.to_numeric(df["col"], errors="coerce").fillna(0)

---

忽略非数字运算

在数学运算中，可通过过滤或异常处理跳过非数字：

values = [1, "a", 3, None]
valid_numbers = [x for x in values if isinstance(x, (int, float))]

---

使用第三方库

numpy 和 pandas 提供了高效的非数字检测和替换功能：

import numpy as np

arr = np.array(["1", "a", 3])
numeric_arr = np.where(pd.to_numeric(arr, errors="coerce").isna(), 0, arr)

---

通过上述方法，可以灵活处理Python中的非数字数据，确保后续计算的稳定性。