参数	描述
arg	scalar, list, tuple, 1-d array, or Series
errors	{‘ignore’, ‘raise’, ‘coerce’}, default ‘raise’
downcast	{‘integer’, ‘signed’, ‘unsigned’, ‘float’} , default None,指定转换的类型,默认返回`float64`或`int64`

类型转换

import pandas as pd
import numpy as np
s = pd.Series(['apple', '1.0', '2','2019-01-02',1, False,None,pd.Timestamp('2018-01-05')])# to_numeric是在object,时间格式中间做转换,然后再使用astype做numeric类型的内部转换
pd.to_numeric(s, errors='raise') # 遇到非数字字符串类型报错,bool类型报错,时间类型转换为int
pd.to_numeric(s, errors='ignore') # 只对数字字符串转换,其他类型一律不转换,包含时间类型
pd.to_numeric(s, errors='coerce')  # 将时间字符串和bool类型转换为数字,其他均转换为NaN# downcast 可以进一步转化为int或者float
pd.to_numeric(s) # 默认float64类型
pd.to_numeric(s, downcast='signed') # 转换为整型# astype中的error没有`coerce`选项,所以只适合`numeric`内部类型的转换,比如将int32转换为int64,int32转换为float32
# 而不适合在object,时间格式之间做转换,
s.astype('int32',errors='raise')
s.astype('int32',errors='ignore')  # 对object无效,astype只能对numeric类型生效

缺失值处理

可以看到NaN类型在比较的是不相等的,原因是numpy.NaN是一种特殊的numpy.float64,如果想比较NaN是否相同,需要将其转换为该类型自己定义的特殊值(注意不能转换为None,None在Series里不能比较,而单独的值才能比较)

import pandas as pd
import numpy as np
s = pd.Series(['apple', '1.0', '2','2019-01-02',1, False,None,pd.Timestamp('2018-01-05')])# 缺失值的比较 np.NaN == np.NaN返回是False
a = pd.to_numeric(s, errors='coerce')  # 将时间字符串和bool类型转换为数字,其他均转换为NaN
b = pd.to_numeric(s, errors='coerce')  # 将时间字符串和bool类型转换为数字,其他均转换为NaN
a==ba[a==np.NaN] # 索引不到np.NaN
a[a.isnull()] = None # 能索引到,但是不能赋值为None
a[a.isna()] =None # 能索引到,但是不能赋值为Nonea = a.where(a.notnull(), None) # 可以转换
b = b.where(b.notnull(), None)
a == b  # 但是Series里的None不能比较,返回False,这个坑太大了,在Python中None == None 返回是Turea[a.isnull()] = -1000 # 可以转换
a[a.isna()] = -1000 # 可以转换
a = a.where(a.notnull(), -10000) # 可以转换
b = b.where(b.notnull(), -10000) # 可以转换
a==b # 可以判断

Pandas to_numeric相关推荐

python numeric_Python pandas.to_numeric函数方法的使用
pandas.to_numeric(arg, errors='raise', downcast=None) [source] 将参数转换为数字类型. 默认返回dtype为float64 ...
Python更改数据类型——astype()方法和to_numeric()函数
文章目录明确指定数据的类型通过dtypes属性进行查看创建Pandas对象指定数据类型转换数据类型通过astype()方法强制转换数据的类型通过to_numeric()函数转换数据类型明 ...
python三种数据类型_Python-更改Pandas中列的数据类型
小编典典你可以使用三种主要选项来转换pandas的类型: to_numeric()提供安全地将非数字类型(例如字符串)转换为合适的数字类型的功能.(另请参见to_datetime()和to_time ...
python 数据分析 |3. Pandas 学习
利用Pandas库可以快速地完成数据读写.数据分片/分组统计.数据整理等操作.Pandas的所有功能都是构建在两个最基础的数据结构之上:Series与DataFrame Series是一种类似于一维数 ...
python使用pd.to_numeric()方法将数据转为数字类型int或float
目录案例1 案例2. 支持整型和浮点型进行下放案例3 一次性转换多列的格式方法1 方法2 pandas.to_numeric(arg, errors='raise', downcast=None ...
pandas强大的Python数据分析工具
指数模块 | 下一页 | 熊猫0.22.0文档 » 目录什么是新的安装贡献给大熊猫包概述 10分钟到熊猫教程食谱数据结构简介基本的基本功能使用文本数据选项和设置索引和选择数据 ...
python改变列的数据类型_更改Pandas中列的数据类型
在熊猫中,你有三种主要的转换类型的选择:astype()-将(几乎)任何类型转换为(几乎)任何其他类型(即使这样做不一定明智).还允许您转换为范畴类型(非常有用). infer_objects()-一 ...
数据分析工具Pandas
数据分析工具Pandas 数据分析工具Pandas 01 Pandas的数据结构分析 Series DataFrame 02 Pandas索引操作及高级索引索引对象 03 算术运算与数据对齐算术运 ...
python类型转换astype时间_Pandas数据类型转换的几个小技巧
利用Pandas进行数据分析时,确保使用正确的数据类型是非常重要的,否则可能会导致一些不可预知的错误发生.笔者使用Pandas已经有一段时间了,但是还是会在一些小问题上犯错误,追根溯源发现在对数据进行 ...

Pandas to_numeric

类型转换

缺失值处理

Pandas to_numeric相关推荐

最新文章

热门文章