Pandas Dataframe Astype：语法、数据类型、创建数据框

Python 是各个行业中用于数据操作和分析目的的最常用语言之一。 Python 受欢迎的最大原因是其庞大的库集，使开发人员可以轻松地维护和监控数据。 为 Python 编写的此类库之一是Pandas 。 Pandas库尤其用于处理时间序列和表格。 查看我们的数据科学课程，了解有关熊猫的更多信息。

熊猫数据框。 astype () 或有时也称为astype () 方法用于将pandas对象转换为 dtype。 astype () 函数。 当我们需要将表的一个或多个列的数据类型转换为另一种时，它特别有用。

Pandas DataFrame.astype() 的语法

首先，在讨论语法之前，我们需要导入 Pandas 库，通过以下方式完成：

将熊猫导入为 pd

DataFrame 的语法。 astype () 方法是：

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

参数

描述

默认值

类型

使用 numpy.dtype 或 Python 类型将整个对象转换为相同的类型。 它也可以使用 {col: dtype, ?} 其中 col 是列标签，并且 dtype 将起到相同的作用，将 DataFrame 的一个或多个列转换为特定于列的类型。

类型

复制

设置为 True 时返回一个副本（设置 copy=false 可以将值的更改传播到其他pandas对象）。

真的

错误

控制针对给定 dtype 的无效数据引发的异常。

增加

夸格斯

要传递给构造函数的关键字参数。

返回： casted：返回类似于调用者的类型。

阅读：Python 中的数据框

Pandas 库中的数据类型

现在从Pandas DataFrame 开始。 astype () 方法是关于转换和更改表中的数据类型，让我们看看数据类型及其在Pandas库中的用法。

1. 对象：用于文本或字母数字值。

2. Int64 ：用于整数。

3.浮点64 ： 用于浮点数。

4. Bool ：用于真/假值。

5. Datetime64 ：用于日期和时间值。

6. Timedelta[ns] ：用于两个日期时间之间的差异。

7. 类别：用于文本值列表。

在 Pandas 库中创建 DataFrame

在pandas对象中创建数据框有两种方法。 我们可以创建一个表或插入一个现有的 CSV 文件。 插入现有文件的代码是：

df = pd.read_csv(“ file_name.csv ”)

为数据框创建新表的语法是：

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

df = pd.DataFrame(数据=t)

必读：Python Panda 初学者教程

使用 Pandas Dataframe.astype() 方法

一旦我们将表和数据框插入到pandas对象中，我们就可以开始转换表中一列或多列的数据类型。 我们可以使用代码df.dtypes或df.info()在转换它们之前检查值的数据类型。 这两个代码都将显示表格每一列的数据类型。

另一件需要注意的是 DataFrame. 如果数据框具有 nan 或 NA 值， astype () 方法可能会出错。 所以在继续之前，我们需要从表中清除所有的 nan 值。 删除 nan 或 NA 值的语法是：

df.dropna（就地=真）

转换数据框的所有列

语法：df。 astype (' data_type ').dtypes

整个数据框的数据类型将转换为我们放入' data_type. '

转换数据框的特定列

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

这里的“col_name”需要一个列名作为输入。 无论我们输入什么列名，该列的数据类型都将更改为我们在“ data_type”中提供的值。

一次转换多列

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

我们在这里所做的只是用逗号分隔要转换的所有列。 语法中的“ col_name ”和“ data_type ”需要与转换单个列时​​所需的值相同的值。

总结一下

这就是Pandas DataFrame的方式。 使用astype () 方法。 Python 是目前最受欢迎的编程语言之一，因为它还涉足机器学习和数据科学。 如果您想了解 Python 在这两个领域中的使用情况，以及它如何帮助您在数据科学领域的职业生涯，您可以在我们的博客中阅读所有相关信息。 您可以访问Upgrad 的网站以获得数据科学的执行 PG 计划或机器学习和深度的 PG 认证