7_Pandas数据类型操作
数据处理、分析等操作的首要操作是我们正确地设置了数据类型,笔者自己经常也会遇到数据类型不合理,而造成无法进行后续操作的困境。本文总结了Pandas中进行数据类型转换的三种基本方法,同时介绍了基于数据类型取数的方法:
- 使用astype()函数进行强制类型转换
- 通过自定义函数来进行数据类型转换
- 使用Pandas提供的函数如to_numeric()、to_datetime()等进行转化
- select_dtypes函数的使用
Pandas、Python、Numpy各自支持的数据类型
下表中展示的是Pandas、Python和Numpy中支持的数据类型,可以看到pandas中支持的类型是最丰富的的。
模拟数据
导入数据
下面是模拟的一份数据,包含多个字段名称
1 | import pandas as pd |
查看数据的字段类型:
实际案例
字符型转成数值型
比如我们想在数据上进行一些操作,比如将"2019年"、和"2020年"的数据相加:很明显数据不是我们想要的结果。
根本原因:这两个字段是字符类型,进行+操作,是直接将里面的内容拼接在一起,而不是里面数值的相加。
正确的操作:
1、先把这两个字段中的数字单独提取出来
1 | # 分割之后取出第1个元素 |
2、查看数据类型
生成的两个新字段仍然是字符类型,不能直接相加
3、将数字表现型的字符型数据转成数值型
有两种方法实现这种需求:
- pd.astype(“float”) :指定类型
- to_numeric():直接转化
1 | ## 字符类型的数值转成纯数值型 |
3、将两个新的字段相加
1 | df["前两年之和"] = df["2020年_新"] + df["2019年_新"] |
求两个年份之间的差值:
数值型转成字符型
求出2020年的增长率:
1 | df["增长率"] = df["前两年之差"] / df["2019年_新"] |
现在整个增长率是float的数值型,我们想把它转成%的形式,也就是字符类型的数据:
1 | 顾客姓名 object |
在这里也是两种方法满足上面的需求:
- 方法1:通过str函数的转化
- 方法2:通过format函数的格式化输出
1 | df["增长率1"] = df["增长率"].apply(lambda x: str(round(100*x,2)) + "%") |
1 | 顾客姓名 object |
数值型数据存在缺失值
如果某个字段中大部分的数据都是数值型,但是存在少量的缺失值的情况,可以使用下面的方法进行转化:
1 | df["客户组别"] = pd.to_numeric(df['客户组别'], errors='coerce').fillna(0) # 未知的组用0代替;0可以换成其他数值 |
数值型类型转成时间类型
如果在实际数据中,我们遇到类似年、月、日等时间的数据,可以进行转化:比如我们想根据数据中的年月日生成一个生日的字段
1、上面的日、月、年现在是数值类型的数据,不能直接相加,先进行转化:
1 | df["月"] = df["月"].astype(str) |
2、转成字符型数据之后,再进行相加:
1 | df["生日"] = df["年"] + "-" + df["月"] + "-" + df["日"] |
3、通过pd.to_datetime转成pandas中的时间类型数据
1 | df["生日"] = df["生日"].apply(lambda x: pd.to_datetime(x,format="%Y-%m-%d")) |
经过检验:如果字段是用英文表示的,下面的方法可以直接转成datetime64[ns]类型,使用中文汉字当做属性名的时候,该方法不适用。Pandas中的to_datetime()函数可以把单独的year、month、day三列合并成一个单独的时间戳:
布尔值判断使用
比如在是否为大客户中,我们想将Y换成True,N换成False,可以通过np.where来是实现:
1 | df["是否大客户"] = np.where(df["是否大客户"] == "Y", True, False) |
读取文件直接转换
在使用pandas读取文件的时候,我们可以直接改变数据类型,使用参数是converters:
1 | df0 = pd.read_csv("数据类型操作.csv", |
根据数据类型取数
我们看看df数据中存在的数据类型:object、int64、float64、bool、datetime64[ns]
1 | df.dtypes |
包含数据类型
1 | df.select_dtypes(include=["object"]) # 包含object类型的数据 |
也可以同时筛选包含多个数据类型:
1 | df.select_dtypes(include=["object","bool"]) |
不包含数据类型
1 | df.select_dtypes(exclude=["object"]) # 不包含object类型的数据 |
同时排除多个字段数据类型:
1 | df.select_dtypes(exclude=["object","bool"]) # 两个类型的数据同时排除 |
总结
对数据进行操作的第一步就是保证我们设置了正确的数据类型,然后才能进行后续的数据处理、数据分析、可视化等一系列的操作。本文中介绍了Pandas中常见的数据类型转化和基于数据类型取数的方法,希望对读者有所帮助。