如何将熊猫列中的一系列字符串转换为整数

Question

我有一个 Pandas 数据框，其中包含日期列，格式为“2016-05-03”，顺便说一句，这些是字符串。我需要将它们从字符串转换为 int 并在连字符（'-'）处拆分，并且只提取年份 [0]。

这是我尝试将字符串转换为整数的方法：

tyc.startDate = tyc.startDate.astype(np.int64) 

但它正在返回和错误：

ValueError: int() 以 10 为底的无效文字：'2015-06-01'

这就是我为拆分所做的：

tyc.startDate.str.split('-')[0]

和

tyc.startDate.str.split('-', [0]) 

但这也不起作用，它以这种形式拆分并返回列中所有行的列表： ['2015', '06', '01'] 我只想分开一年！

我确信有一种简单的方法可以转换为 int 并在位置 0 处为 ('-') 拆分，然后将其作为新列放入 df，请帮助！

Answer 1

我相信您的数据包含NaNs 或一些非日期时间值：

tyc = pd.DataFrame({'startDate':['2016-05-03','2017-05-03', np.nan],
                    'col':[1,2,3]})
print (tyc)
   col   startDate
0    1  2016-05-03
1    2  2017-05-03
2    3         NaN

使用str[0] 首先返回每行的第一个列表值。但是有问题 - 一些NaNs，不能转换为int（设计） - 所以输出是浮点数：

print (tyc.startDate.str.split('-').str[0].astype(float))
0    2016.0
1    2017.0
2       NaN
Name: startDate, dtype: float64

另一种解决方案是通过to_datetime 转换为日期时间并通过year 解析年份：

print (pd.to_datetime(tyc.startDate, errors='coerce'))
0   2016-05-03
1   2017-05-03
2          NaT
Name: startDate, dtype: datetime64[ns]

print (pd.to_datetime(tyc.startDate, errors='coerce').dt.year)
0    2016.0
1    2017.0
2       NaN
Name: startDate, dtype: float64

---

删除NaNs的解决方案：

tyc['year'] = pd.to_datetime(tyc.startDate, errors='coerce').dt.year
print (tyc)
   col   startDate    year
0    1  2016-05-03  2016.0
1    2  2017-05-03  2017.0
2    3         NaN     NaN

1.

通过dropna删除所有带有NaNs的行，然后转换为int：

tyc = tyc.dropna(subset=['year'])
tyc['year'] = tyc['year'].astype(int)
print (tyc)
   col   startDate  year
0    1  2016-05-03  2016
1    2  2017-05-03  2017

2.

将 NaNs 替换为一些 int 值，例如 1 到 fillna，然后转换为 int：

tyc['year'] = tyc['year'].fillna(1).astype(int)
print (tyc)
   col   startDate  year
0    1  2016-05-03  2016
1    2  2017-05-03  2017
2    3         NaN     1

Answer 2

你可以使用apply:

def mod_strings(date_str):
    try:
        return int(date_str.split('-')[0])
    except (AttributeError, IndexError):  # in case value is not as 
                                          # expected returning original value
        return date_str

tyc.startDate = tyc.startDate.apply(mod_strings)

但将整个列从字符串转换为日期对象然后使用tyc.startDate = tyc.startDate.dt.year（假设 pandas 版本 >= 0.16）可能更容易