Pandas數據類型的用法

本篇內容主要講解“Pandas數據類型的用法”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“Pandas數據類型的用法”吧!

大多數情況下，Pandas使用NumPy數組、Series或DataFrame里某列的數據類型。NumPy支持float、int、bool、timedelta[ns]、datetime64[ns]，NumPy是不支持帶時區信息的datetime。

Pandas與第三方支持庫擴充了NumPy類型系統，接下來我們主要來介紹Pandas的內部擴展。

Pandas的擴展類型，如下表所示

Pandas用object存儲字符串。

雖然，object數據類型能夠存儲任何對象，但我們要盡量避免這樣做。

DataFrame的dtypes屬性用起來很方便，以Series形式返回每列的數據類型。

要查看Series的數據類型，用dtype屬性。

Pandas對象單列中含多種類型的數據時，該列的數據類型為可適配于各類數據的數據類型，通常為object。

DataFrame.dtypes.value_用于統計DataFrame里不同數據類型的列數。

多種數值型數據類型可以在DataFrame里共存。如果只傳遞一種數據類型，不論是通過dtype關鍵字直接傳遞，還是通過ndarray或Series傳遞，都會保存至DataFrame操作。此外，不同數值型數據類型不會并和。

默認值

整數的默認類型為int64，浮點數的默認類型為float64，這里的默認值與系統平臺無關，不管是32位系統，還是64位系統都是一樣的。下列代碼返回的結果都是int64：

但是我們要注意，NumPy創建數組時，會根據系統選擇類型。下列代碼在32位系統上將返回int32。

向上轉型

與其它類型合并時，用的是向上轉型，指的是從現有類型轉換為另一種類型，如int轉換為float。

轉DataFrame.to_numpy()返回多個數據類型里用得最多的數據類型，這里指的是，輸出結果的數據類型，適用于所有同構NumPy數組的數據類型。此處強制執行向上型。

astype

astype()方法顯式地把一種數據類型轉換為另一種，默認操作為 復制數據，就算數據類型沒有改變也會復制數據，copy=False改變默認操作模式。此外，astype無效時，會觸發異常。

向上轉型一般都遵循NumPy規則，操作中含有兩種不同類型地數據時，返回更為通用地那種數據類型。

用astype把一列或多列轉換為指定類型。

astype通過字典指定哪些列轉換為哪些類型。

注意用astype與loc()為部分列轉換指定類型時，會發生向上轉型。

loc()嘗試分配當前地數據類型，而[]則會從右方獲取數據類型并進行覆蓋。因此，下列代碼會發生意料之外地結果：

對象轉換

Pandas提供了多種函數可以把object從一種數據類型轉換為另一種類型。這是因為，數據有時存儲的是正確類型，但在保存時卻存成了object類型，此時，用DataFrame.infer_objects()

與Series.infer_objects()方法即可把數據轉換為正確的類型。

因為數據被轉置，所以把原始列的數據類型改成了object，但使用infer_objects后就變正確了。

下列函數可以應用于一維數組與標量，執行硬轉換，把對象轉換為指定類型。

to_numeric()轉換為數值型

to_datetime()轉換為datetime對象

to_timedelta()轉換為timedelta對象。

如需強制轉換，則要加入error參數，指定Pandas怎樣處理不能轉換為預期類型或對象的數據。errors參數的默認值為False，指定的是在轉換過程中，遇到任何問題都觸發錯誤。設置為errors=‘coerce’時，pandas會忽略錯誤，強制把問題數據轉換為pd.NaT（datetime與timedelta），或np.nan（數值型）。讀取數據時，如果大部分要轉換的數據是數值型或detetime，這種操作非常有用，但偶爾也會有非制式數據混合在一起，可能會導致展示數據缺失：

error參數還有第三個選項，error=’ignore’。轉換數據時會忽略錯誤，直接輸出問題數據：

執行轉換操作時，to_numeric還有一個參數，downcast，即向下轉型，可以把數值型轉換為減少內存占用的數據類型：

上述方法僅能應用于一維數組、列表或標量；不能直接用于DataFrame等多維對象。不過，用apply()，可以快速為每列應用函數：

到此，相信大家對“Pandas數據類型的用法”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！