Pandas Dataframe Astype：語法、數據類型、創建數據框

Python 是各個行業中用於數據操作和分析目的的最常用語言之一。 Python 受歡迎的最大原因是其龐大的庫集，使開發人員可以輕鬆地維護和監控數據。 為 Python 編寫的此類庫之一是Pandas 。 Pandas庫尤其用於處理時間序列和表格。 查看我們的數據科學課程，了解有關熊貓的更多信息。

熊貓數據框。 astype () 或有時也稱為astype () 方法用於將pandas對象轉換為 dtype。 astype () 函數。 當我們需要將表的一個或多個列的數據類型轉換為另一種時，它特別有用。

Pandas DataFrame.astype() 的語法

首先，在討論語法之前，我們需要導入 Pandas 庫，通過以下方式完成：

將熊貓導入為 pd

DataFrame 的語法。 astype () 方法是：

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

參數

描述

默認值

類型

使用 numpy.dtype 或 Python 類型將整個對象轉換為相同的類型。 它也可以使用 {col: dtype, ?} 其中 col 是列標籤，並且 dtype 將起到相同的作用，將 DataFrame 的一個或多個列轉換為特定於列的類型。

類型

複製

設置為 True 時返回一個副本（設置 copy=false 可以將值的更改傳播到其他pandas對象）。

真的

錯誤

控製針對給定 dtype 的無效數據引發的異常。

增加

誇格斯

要傳遞給構造函數的關鍵字參數。

返回： casted：返回類似於調用者的類型。

閱讀：Python 中的數據框

Pandas 庫中的數據類型

現在從Pandas DataFrame 開始。 astype () 方法是關於轉換和更改表中的數據類型，讓我們看看數據類型及其在Pandas庫中的用法。

1. 對象：用於文本或字母數字值。

2. Int64 ：用於整數。

3.浮點64 ： 用於浮點數。

4. Bool ：用於真/假值。

5. Datetime64 ：用於日期和時間值。

6. Timedelta[ns] ：用於兩個日期時間之間的差異。

7. 類別：用於文本值列表。

在 Pandas 庫中創建 DataFrame

在pandas對像中創建數據框有兩種方法。 我們可以創建一個表或插入一個現有的 CSV 文件。 插入現有文件的代碼是：

df = pd.read_csv(“ file_name.csv ”)

為數據框創建新表的語法是：

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

df = pd.DataFrame(數據=t)

必讀：Python Panda 初學者教程

使用 Pandas Dataframe.astype() 方法

一旦我們將表和數據框插入到pandas對像中，我們就可以開始轉換錶中一列或多列的數據類型。 我們可以使用代碼df.dtypes或df.info()在轉換它們之前檢查值的數據類型。 這兩個代碼都將顯示表格每一列的數據類型。

另一件需要注意的是 DataFrame. 如果數據框具有 nan 或 NA 值， astype () 方法可能會出錯。 所以在繼續之前，我們需要從表中清除所有的 nan 值。 刪除 nan 或 NA 值的語法是：

df.dropna（就地=真）

轉換數據框的所有列

語法：df。 astype (' data_type ').dtypes

整個數據框的數據類型將轉換為我們放入' data_type. '

轉換數據框的特定列

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

這裡的“col_name”需要一個列名作為輸入。 無論我們輸入什麼列名，該列的數據類型都將更改為我們在“ data_type”中提供的值。

一次轉換多列

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

我們在這裡所做的只是用逗號分隔要轉換的所有列。 語法中的“ col_name ”和“ data_type ”需要與轉換單個列時所需的值相同的值。

總結一下

這就是Pandas DataFrame的方式。 使用astype () 方法。 Python 是目前最受歡迎的編程語言之一，因為它還涉足機器學習和數據科學。 如果您想了解 Python 在這兩個領域中的使用情況，以及它如何幫助您在數據科學領域的職業生涯，您可以在我們的博客中閱讀所有相關信息。 您可以訪問Upgrad 的網站以獲得數據科學的執行 PG 計劃或機器學習和深度的 PG 認證