带有熊猫 read_json 的列 dtype

Question

我有一个如下所示的 json 文件：

[{"A": 0, "B": "x"}, {"A": 1, "B": "y", "C": 0}, {"A": 2, "B": "z", "C": 1}]

由于“C”列包含一个 NaN 值（第一行），pandas 自动推断其 dtype 为“float64”：

>>> pd.read_json(path).C.dtype
dtype('float64')

但是，我希望“C”列的 dtype 为“Int32”。 pd.read_json(path, dtype={"C": "Int32"}) 不起作用：

>>> pd.read_json(path, dtype={"C": "Int32"}).C.dtype
dtype('float64')

相反，pd.read_json(path).astype({"C": "Int32"}) 确实有效：

>>> pd.read_json(path).astype({"C": "Int32"}).C.dtype
Int32Dtype()

为什么会这样？如何仅使用 pd.read_json 函数设置正确的 dtype？

Answer 1

原因在this code section:

        dtype = (
            self.dtype.get(name) if isinstance(self.dtype, dict) else self.dtype
        )
        if dtype is not None:
            try:
                dtype = np.dtype(dtype)
                return data.astype(dtype), True
            except (TypeError, ValueError):
                return data, False

它将'Int32' 转换为numpy.int32，然后在尝试将整个列（数组）转换为这种类型时导致值错误（无法将非有限值（NA 或 inf）转换为整数）。因此，原始（未转换的）数据将在异常块中返回。
我猜这是熊猫中的某种错误，至少行为没有正确记录。

另一方面，astype 的工作方式不同：它applies 'astype' 在系列上按元素），因此可以创建一个混合类型的列。

有趣的是，当直接指定extension typepd.Int32Dtype()（而不是它的字符串别名'Int32'）时，乍一看你会得到想要的结果，但如果你再看看它们仍然是浮点数的类型：

df = pd.read_json(json, dtype={"C": pd.Int32Dtype})
print(df)
#   A  B    C
#0  0  x  NaN
#1  1  y    0
#2  2  z    1
print(df.C.map(type))
#0    <class 'float'>
#1    <class 'float'>
#2    <class 'float'>
#Name: C, dtype: object

比较：

print(df.C.astype('Int32').map(type))
#0    <class 'pandas._libs.missing.NAType'>
#1                            <class 'int'>
#2                            <class 'int'>
#Name: C, dtype: object