Pandas Dataframe Astype: ไวยากรณ์, ประเภทข้อมูล, การสร้าง Dataframe

Python เป็นหนึ่งในภาษาที่ใช้กันมากที่สุดในอุตสาหกรรมต่างๆ เพื่อวัตถุประสงค์ในการจัดการและวิเคราะห์ข้อมูล เหตุผลที่ใหญ่ที่สุดที่อยู่เบื้องหลังความนิยมของ Python ก็คือชุดไลบรารีขนาดใหญ่ที่ทำให้นักพัฒนาสามารถดูแลรักษาและตรวจสอบข้อมูลได้ง่าย ไล บรารี่ หนึ่งที่เขียนขึ้นสำหรับ Python คือ Pandas โดย เฉพาะอย่างยิ่ง ห้องสมุด Pandas ใช้สำหรับจัดการอนุกรมเวลาและตาราง ชำระเงินหลักสูตรวิทยาศาสตร์ข้อมูลของเราเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับแพนด้า

ดาต้าเฟรม ของ แพนด้า astype () หรือบางครั้งเรียกว่า astype () วิธีการใช้เพื่อส่ง วัตถุ แพนด้า ไปยัง dtype ฟังก์ชัน astype () มีประโยชน์มากโดยเฉพาะเมื่อเราต้องการแปลงชนิดข้อมูลของคอลัมน์หนึ่งหรือหลายคอลัมน์ของตารางเป็นอีกคอลัมน์หนึ่ง

ไวยากรณ์ของ Pandas DataFrame.astype()

ประการแรก ก่อนพูดคุยเกี่ยวกับไวยากรณ์ เราต้องนำเข้าไลบรารี Pandas ซึ่งทำโดย:

นำเข้าแพนด้าเป็น pd

ไวยากรณ์สำหรับ DataFrame astype () วิธีคือ:

DataFrame.astype(dtype, copy=True, ข้อผิดพลาด='raise', **kwargs)

พารามิเตอร์

คำอธิบาย

ค่าเริ่มต้น

dtype

ใช้ numpy.dtype หรือประเภท Python เพื่อส่งวัตถุทั้งหมดให้เป็นประเภทเดียวกัน นอกจากนี้ยังสามารถใช้ {col: dtype, ?} โดยที่ col คือป้ายกำกับคอลัมน์ และ dtype จะทำงานเหมือนกันเพื่อส่งคอลัมน์ของ DataFrame หนึ่งคอลัมน์ขึ้นไปเป็นประเภทเฉพาะคอลัมน์

dtype

สำเนา

ส่งกลับสำเนาเมื่อตั้งค่าเป็น True (การตั้งค่า copy=false สามารถเผยแพร่การเปลี่ยนแปลงค่าไปยัง วัตถุ แพนด้า อื่น ๆ ได้)

จริง

ข้อผิดพลาด

ควบคุมข้อยกเว้นที่เกิดจากข้อมูลที่ไม่ถูกต้องสำหรับ dtype ที่กำหนด

ยก

kwargs

อาร์กิวเมนต์ของคีย์เวิร์ดเพื่อส่งต่อไปยังคอนสตรัคเตอร์

Returns : casted: return คล้ายกับประเภทของผู้โทร

อ่าน: Data Frames ใน Python

ประเภทข้อมูลในห้องสมุด Pandas

ตั้งแต่ Pandas DataFrame วิธี astype () เกี่ยวกับการแคสต์และเปลี่ยนประเภทข้อมูลในตาราง มาดูประเภทข้อมูลและการใช้งานใน ไลบรารี Pandas

1. วัตถุ : ใช้สำหรับค่าข้อความหรือตัวเลขและตัวอักษร

2. Int64 : ใช้สำหรับตัวเลขจำนวนเต็ม

3. โฟลต64 : ใช้สำหรับเลขทศนิยม

4. Bool : ใช้สำหรับค่า True/False

5. Datetime64 : ใช้สำหรับค่าวันที่และเวลา

6. Timedelta[ns] : ใช้สำหรับความแตกต่างระหว่างสอง datetimes

7. หมวดหมู่ : ใช้สำหรับรายการค่าข้อความ

การสร้าง DataFrame ในห้องสมุด Pandas

มีสองวิธีในการสร้าง data frame ใน วัตถุ pandas เราสามารถสร้างตารางหรือแทรกไฟล์ CSV ที่มีอยู่ได้ รหัสที่จะแทรกไฟล์ที่มีอยู่คือ:

df = pd.read_csv (“ file_name.csv ”)

ไวยากรณ์ในการสร้างตารางใหม่สำหรับ data frame คือ:

t = {'col 1': [1, 2], 'col 2': [3, 4]}

df = pd.DataFrame (ข้อมูล = t)

ต้องอ่าน: บทช่วยสอน Python Panda สำหรับผู้เริ่มต้น

การใช้ Pandas Dataframe.astype() Method

เมื่อเราแทรกตารางและดาต้าเฟรมลงใน อ็อบเจ็กต์ pandas แล้ว เราสามารถเริ่มแปลงประเภทข้อมูลของคอลัมน์ตั้งแต่หนึ่งคอลัมน์ขึ้นไปของตารางได้ เราสามารถตรวจสอบประเภทข้อมูลของค่าก่อนที่จะแปลงโดยใช้รหัส df.dtypes หรือ df.info( ) โค้ดทั้งสองนี้จะแสดงประเภทข้อมูลของแต่ละคอลัมน์ของตาราง

สิ่งที่ควรทราบอีกประการหนึ่งคือ DataFrame วิธี astype () สามารถทำให้เกิดข้อผิดพลาดได้หาก data frame มีค่า nan หรือ NA ก่อนดำเนินการต่อ เราต้องล้างค่าน่านทั้งหมดออกจากตาราง ไวยากรณ์ที่จะปล่อยค่า nan หรือ NA คือ:

df.dropna (แทนที่ = จริง)

การแปลงคอลัมน์ทั้งหมดของ Dataframe

ไวยากรณ์: df astype (' data_type ').dtypes

ชนิดข้อมูลของ dataframe ทั้งหมดจะถูกแปลงเป็นค่าที่เราใส่ลงใน ' data_type. '

การแปลงคอลัมน์เฉพาะของ Dataframe

ไวยากรณ์: df astype ({“ col_name ”: ' data_type '}).dtypes

“col_name” ที่นี่ต้องมีชื่อคอลัมน์เป็นอินพุต ไม่ว่าเราจะใส่ชื่อคอลัมน์ชนิดใด ประเภทข้อมูลของคอลัมน์นั้นจะเปลี่ยนเป็นค่าที่เราระบุใน ' data_type'

การแปลงหลายคอลัมน์พร้อมกัน

ไวยากรณ์: df astype ({“ col_name ”: 'data_type', “ col_name ”: ' data_type ', “ col_name ”: ' data_type '}).dtypes

ทั้งหมดที่เราทำที่นี่คือแยกคอลัมน์ทั้งหมดที่เราต้องการแปลงด้วยเครื่องหมายจุลภาค “ col_name ” และ ' data_type ' ในไวยากรณ์ต้องใช้ค่าเดียวกันกับที่จำเป็นขณะแปลงคอลัมน์เดียว

สรุปมัน

นี่คือวิธี ที่ Pandas DataFrame ใช้วิธี astype () ปัจจุบัน Python เป็นหนึ่งในภาษาการเขียนโปรแกรมที่เป็นที่ต้องการมากที่สุดเนื่องจากได้ก้าวเข้าสู่การเรียนรู้ของเครื่องและวิทยาศาสตร์ข้อมูล หากคุณต้องการทราบว่า Python ถูกใช้อย่างไรในสองสาขานี้ และมันสามารถช่วย อาชีพของคุณใน Data Science ได้อย่างไร คุณสามารถอ่านทั้งหมดเกี่ยวกับมันในบล็อกของเรา คุณสามารถเยี่ยมชม เว็บไซต์ ของ Upgrad เพื่อรับ Executive PG Program ใน Data Science หรือ PG Certification ใน Machine Learning และ Deep