Python之pandas：數(shù)據(jù)類型變換之object、category、bool、int32、int64、float64以及數(shù)據(jù)類型標(biāo)準(zhǔn)化之詳細(xì)攻略

?

?

?

?

?

目錄

數(shù)據(jù)類型變換之object、category、bool、int32、int64、float64以及數(shù)據(jù)類型標(biāo)準(zhǔn)化

知識(shí)點(diǎn)

1、category類型與object類型

輸出結(jié)果

實(shí)現(xiàn)代碼

---

?

?

?

?

推薦文章
???????Python之pandas：在pandas中創(chuàng)建category類型數(shù)據(jù)的幾種方法之詳細(xì)攻略
ML之FE：將dataframe中的數(shù)據(jù)類型進(jìn)行標(biāo)準(zhǔn)化

數(shù)據(jù)類型變換之object、category、bool、int32、int64、float64以及數(shù)據(jù)類型標(biāo)準(zhǔn)化

知識(shí)點(diǎn)

在pandas中，如果某個(gè)字段下，數(shù)據(jù)類型不一致導(dǎo)致整個(gè)字段類型不相同，可以進(jìn)行字段類型轉(zhuǎn)換！，在pandas中，進(jìn)行數(shù)據(jù)類型轉(zhuǎn)換非常簡(jiǎn)單，只需要使用astype函數(shù)即可！

?

1、category類型與object類型

?	object類型(python中)	category類型(pandas中特有)
簡(jiǎn)介	? ? ? python是面向?qū)ο蟮恼Z(yǔ)言。在python里面，一切皆為對(duì)象。 在python中， object類型，一般表示文本類型數(shù)據(jù)。 有些難以被自動(dòng)判別的數(shù)據(jù)類型，或者由不止一種數(shù)據(jù)類型組成；由于Python一切皆對(duì)象，因此都會(huì)被處理為最寬泛的"對(duì)象"也就是object類型數(shù)據(jù)。 其實(shí)，在數(shù)據(jù)分析中，有時(shí)候會(huì)遇到某個(gè)字段的數(shù)據(jù)類型與初始設(shè)置的不相符，此時(shí)，就要去分析是否是數(shù)據(jù)不規(guī)整造成的。	category是 pandas 的一種數(shù)據(jù)類型，對(duì)應(yīng)著被統(tǒng)計(jì)的變量。它實(shí)際上是動(dòng)態(tài)枚舉的一種形式。如果某個(gè)字段的內(nèi)容中，其可能值的范圍是固定且有限的，則category類型數(shù)據(jù)最為適用； category是由固定的且有限數(shù)量的變量組成的。比如：性別、血型、等級(jí)等； category類型數(shù)據(jù)的每一個(gè)元素的值，要么是預(yù)設(shè)好的類型中的某一個(gè)，要么是空值（np.nan）； 在比較大的數(shù)據(jù)集中，可以通過(guò)使用category類型數(shù)據(jù)來(lái)加快速度！
屬性	具有object類型數(shù)據(jù)的基本屬性。	.describe() .cat.categories　　 .cat.rename_categories　　 .value_counts() .str 屬性　　 pd.concat union_categoricals 　　 內(nèi)存使用量
轉(zhuǎn)換	df["col"].astype(‘category‘)

?

?

?

?

輸出結(jié)果

?

?

實(shí)現(xiàn)代碼

import pandas as pd import numpy as npcontents={"name": ['Bob', 'LiSa', 'Mary', 'Alan'],"ID": [1, 2, ' ', None], # 輸出 NaN"age": [np.nan, 28, 38 , '' ], # 輸出 "age02": [14, 26, 24 , 6], "born": [pd.NaT, pd.Timestamp("1990-01-01"), pd.Timestamp("1980-01-01"), ''], # 輸出 NaT"sex": ['男', '女', '女', None,], # 輸出 None"hobbey":['打籃球', '打羽毛球', '打乒乓球', '',], # 輸出 "money":[200.0, 240.0, 290.0, 300.0], # 輸出"weight":[140.5, 120.8, 169.4, 155.6], # 輸出"test01":[1, 2.123456789, 3.123456781011126, 4.123456789109999], # 輸出"test02":[1, 2.123456789, 3.123456781011126, 4.123456789109999], # 輸出} data_frame = pd.DataFrame(contents)print('Init-------------------------------') print(data_frame.dtypes) print(data_frame)# 將dataframe格式中的數(shù)據(jù)類型轉(zhuǎn)為object數(shù)據(jù)類型 data_frame['test02'] = data_frame['test02'].astype('object') # 關(guān)鍵字bool，'object'、'category'、str data_frame['test02'] = data_frame['test02'].apply(str) data_frame.to_excel("data_demo.xls")print('after astype-------------------------------') print(data_frame.dtypes) print(data_frame) data_frame_temp=data_frame.copy()# ML之FE：將dataframe中的數(shù)據(jù)類型進(jìn)行標(biāo)準(zhǔn)化 print('after Categorical-------------------------------') data_frame=cols2DfCatAndNum(data_frame) print(data_frame.dtypes)

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的Python之pandas：数据类型变换之object、category、bool、int32、int64、float64以及数据类型标准化之详细攻略的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。