这篇文章主要介绍了pandas读取CSV文件时查看修改各列的数据类型格式,本文给大家介绍的非常详细，具有一定的参考借鉴价值，需要的朋友可以参考下
下面给大家介绍下pandas读取CSV文件时查看修改各列的数据类型格式，具体内容如下所述：
我们在调bug的时候会经常查看、修改pandas列数据的数据类型，今天就总结一下：
1.查看：
Numpy和Pandas的查看方式略有不同，一个是dtype,一个是dtypes
print(Array.dtype) #输出int64 print(df.dtypes) #输出Df下所有列的数据格式 a:int64,b:int64
2.修改
import pandas as pd import numpy as np df = pd.read_csv('000917.csv',encoding='gbk') df = df[df['涨跌幅']!='None'] df['涨跌幅'] = df['涨跌幅'].astype(np.float64) print(df[df['涨跌幅']>5])
ps：在Pandas中更改列的数据类型
先看一个非常简单的例子：
a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']] df = pd.DataFrame(a)
有什么方法可以将列转换为适当的类型？例如，上面的例子，如何将列2和3转为浮点数？有没有办法将数据转换为DataFrame格式时指定类型？或者是创建DataFrame，然后通过某种方法更改每列的类型？理想情况下，希望以动态的方式做到这一点，因为可以有数百个列，明确指定哪些列是哪种类型太麻烦。可以假定每列都包含相同类型的值。
解决方法
可以用的方法简单列举如下：
对于创建DataFrame的情形
如果要创建一个DataFrame，可以直接通过dtype参数指定类型：
df = pd.DataFrame(a, dtype='float') #示例1 df = pd.DataFrame(data=d, dtype=np.int8) #示例2 df = pd.read_csv("somefile.csv", dtype = {'column_name' : str})
对于单列或者Series
下面是一个字符串Seriess的例子，它的dtype为object：
>>> s = pd.Series(['1', '2', '4.7', 'pandas', '10']) >>> s 0 1 1 2 2 4.7 3 pandas 4 10 dtype: object
使用to_numeric转为数值。默认情况下，它不能处理字母型的字符串’pandas’：
>>> pd.to_numeric(s) # or pd.to_numeric(s, errors='raise') ValueError: Unable to parse string
可以将无效值强制转换为NaN，如下所示：
>>> pd.to_numeric(s, errors='coerce') 0 1.0 1 2.0 2 4.7 3 NaN 4 10.0 dtype: float64
如果遇到无效值，第三个选项就是忽略该操作：
>>> pd.to_numeric(s, errors='ignore') # the original Series is returned untouched
对于多列或者整个DataFrame
如果想要将这个操作应用到多个列，依次处理每一列是非常繁琐的，所以可以使用DataFrame.apply处理每一列。
对于某个DataFrame：
>>> a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']] >>> df = pd.DataFrame(a, columns=['col1','col2','col3']) >>> df col1 col2 col3 0 a 1.2 4.2 1 b 70 0.03 2 x 5 0
然后可以写：
df[['col2','col3']] = df[['col2','col3']].apply(pd.to_numeric)
那么’col2’和’col3’根据需要具有float64类型。
但是，可能不知道哪些列可以可靠地转换为数字类型。在这种情况下，设置参数：
df.apply(pd.to_numeric, errors='ignore')
然后该函数将被应用于整个DataFrame，可以转换为数字类型的列将被转换，而不能(例如，它们包含非数字字符串或日期)的列将被单独保留。
另外pd.to_datetime和pd.to_timedelta可将数据转换为日期和时间戳。
软转换――类型自动推断
版本0.21.0引入了infer_objects()方法，用于将具有对象数据类型的DataFrame的列转换为更具体的类型。
例如，用两列对象类型创建一个DataFrame，其中一个保存整数，另一个保存整数的字符串：
>>> df = pd.DataFrame({'a': [7, 1, 5], 'b': ['3','2','1']}, dtype='object') >>> df.dtypes a object b object dtype: object
然后使用infer_objects()，可以将列’a’的类型更改为int64：
>>> df = df.infer_objects() >>> df.dtypes a int64 b object dtype: object
由于’b’的值是字符串，而不是整数，因此’b’一直保留。
astype强制转换
如果试图强制将两列转换为整数类型，可以使用df.astype(int)。
示例如下：
a = [['a', '1.2', '4.2'], ['b', '70', '0.03'], ['x', '5', '0']] df = pd.DataFrame(a, columns=['one', 'two', 'three']) df Out[16]: one two three 0 a 1.2 4.2 1 b 70 0.03 2 x 5 0 df.dtypes Out[17]: one object two object three object df[['two', 'three']] = df[['two', 'three']].astype(float) df.dtypes Out[19]: one object two float64 three float64
总结
以上所述是小编给大家介绍的pandas读取CSV文件时查来源gao@!dai!ma.com搞$$代^@码!网看修改各列的数据类型格式，希望对大家有所帮助，如果有任何疑问欢迎给我留言，小编会及时回复大家的！
以上就是pandas读取CSV文件时查看修改各列的数据类型格式的详细内容，更多请关注gaodaima搞代码网其它相关文章！
转载请注明原文链接：pandas读取CSV文件时查看修改各列的数据类型格式
