熊猫数据框中的转换功能
原文:https://www . geesforgeks . org/conversion-functions-in-pandas-data frame/
Python 是进行数据分析的优秀语言，主要是因为以数据为中心的 python 包的奇妙生态系统。Pandas 就是其中之一，它让数据的导入和分析变得更加容易。在本文中，我们使用“nba.csv”文件下载 CSV，点击这里的。
将熊猫对象转换为指定的数据类型
DataFrame.astype() 函数用于将熊猫对象转换为指定的数据类型。astype()函数还提供将任何合适的现有列转换为分类类型的功能。
代码#1: 转换重量列数据类型。
# importing pandas as pd
import pandas as pd
# Making data frame from the csv file
df = pd.read_csv("nba.csv")
# Printing the first 10 rows of
# the data frame for visualization
df[:10]
因为数据有一些“nan”值，所以为了避免任何错误，我们将删除所有包含任何nan 值的行。
# drop all those rows which
# have any 'nan' value in it.
df.dropna(inplace = True)
# let's find out the data type of Weight column
before = type(df.Weight[0])
# Now we will convert it into 'int64' type.
df.Weight = df.We<strong>ight.astype('int64')
# let's find out the data type after casting
after = type(df.Weight[0])
# print the value of before
before
# print the value of after
after
输出:
# print the data frame and see
# what it looks like after the change
df
为输入对象列推断更好的数据类型
DataFrame . expert _ objects()函数试图为输入对象列推断更好的数据类型。此函数尝试对 object-dtyped 列进行软转换，保持非对象列和不可转换列不变。推理规则与正常的序列/数据帧构建期间相同。
代码#1: 使用infer_objects()函数推断更好的数据类型。
# importing pandas as pd
import pandas as pd
# Creating the dataframe
df = pd.DataFrame({"A":["sofia", 5, 8, 11, 100],
"B":[2, 8, 77, 4, 11],
"C":["amy", 11, 4, 6, 9]})
# Print the dataframe
print(df)
输出:
让我们看看 dataframe 中每一列的数据类型。
# to print the basic info
df.info()
正如我们在输出中看到的，第一列和第三列是object类型。而第二列为int64型。现在对数据帧进行切片，并从中创建一个新的数据帧。
# slice from the 1st row till end
df_new = df[1:]
# Let's print the new data frame
df_new
# Now let's print the data type of the columns
df_new.info()
输出:
正如我们在输出中看到的，列“A”和“C”是对象类型，即使它们包含整数值。那么，我们来试试infer_objects()功能。
# applying infer_objects() function.
df_new = df_new.infer_objects()
# Print the dtype after applying the function
df_new.info()
输出:
现在，如果我们看一下每一列的数据类型，可以看到“A”和“C”列现在都是int64类型。
检测缺失值
DataFrame.isna() 函数用于检测缺失值。它返回一个相同大小的布尔对象，指示值是否为“无”。数值，如无或数值。NaN，映射到真值。其他的都被映射到假值。空字符串”或 numpy.inf 等字符不被视为 NA 值(除非您将 pandas . options . mode . use _ INF _ as _ NA 设置为 True)。
代码#1: 使用isna()功能检测数据帧中的缺失值。
# importing pandas as pd
import pandas as pd
# Creating the dataframe
df = pd.read_csv("nba.csv")
# Print the dataframe
df
让我们使用isna()功能来检测丢失的值。
# detect the missing values
df.isna()
输出:
在输出中，缺失值对应的单元格包含真值否则为假。
检测现有/非缺失值
DataFrame.notna() 函数检测 DataFrame 中现有的/非缺失的值。该函数返回一个布尔对象，该对象的大小与应用它的对象的大小相同，指示每个单独的值是否是一个 na 值。所有非缺失值都被映射为 true，缺失值被映射为 false。
代码#1: 使用notna()函数查找数据帧中所有未缺失的值。
# importing pandas as pd
import pandas as pd
# Creating the first dataframe
df = pd.DataFrame({"A":[14, 4, 5, 4, 1],
"B":[5, 2, 54, 3, 2],
"C":[20, 20, 7, 3, 8],
"D":[14, 3, 6, 2, 6]})
# Print the dataframe
print(df)
让我们使用dataframe.notna()函数来查找数据帧中所有未丢失的值。
# find non-na values
df.notna()
输出:
正如我们在输出中看到的，数据框中所有未缺失的值都被映射为 true。没有错误值，因为数据帧中没有缺失值。
数据帧中的转换方法
| 功能 | 描述 | | data frame . convert _ objects() | 尝试为对象列推断更好的数据类型。 | | DataFrame.copy() | 返回此对象的索引和数据的副本。 | | DataFrame.bool() | 返回单个元素 PandasObject 的 bool。 |
版权属于：月萌API www.moonapi.com，转载请注明出处
