如何在 pandas DataFrame 中按列设置 dtypes

Question

我想将一些数据带入 pandas DataFrame，并且我想在导入时为每一列分配 dtypes。我希望能够为具有许多不同列的较大数据集执行此操作，但是，例如：

myarray = np.random.randint(0,5,size=(2,2))
mydf = pd.DataFrame(myarray,columns=['a','b'], dtype=[float,int])
mydf.dtypes

结果：

TypeError: 数据类型不理解

我尝试了其他一些方法，例如：

mydf = pd.DataFrame(myarray,columns=['a','b'], dtype={'a': int})

TypeError: 'type' 类型的对象没有 len()

如果我输入dtype=(float,int)，它会将浮点格式应用于两列。

最后，我希望能够向它传递一个数据类型列表，就像向它传递一个列名列表一样。

Answer 1

我刚刚遇到这个问题，熊猫问题仍然存在，所以我发布了我的解决方法。假设df 是我的DataFrame，dtype 是一个将列名映射到类型的字典：

for k, v in dtype.items():
    df[k] = df[k].astype(v)

（注意：在python 2中使用dtype.iteritems()）

供参考：

• 允许的数据类型列表（NumPy dtypes）：https://docs.scipy.org/doc/numpy-1.12.0/reference/arrays.dtypes.html
• Pandas 还支持一些其他类型。例如，category：http://pandas.pydata.org/pandas-docs/stable/categorical.html
• 相关GitHub问题：https://github.com/pandas-dev/pandas/issues/9287

Answer 2

从 pandas 0.24.2 版（当前稳定版本）开始，无法将数据类型的显式列表作为文档状态传递给 DataFrame 构造函数：

dtype : dtype, default None

    Data type to force. Only a single dtype is allowed. If None, infer

但是，数据框类确实有一个静态方法，允许您将 numpy 结构化数组转换为数据框，因此您可以这样做：

>>> myarray = np.random.randint(0,5,size=(2,2))
>>> record = np.array(map(tuple,myarray),dtype=[('a',np.float),('b',np.int)])
>>> mydf = pd.DataFrame.from_records(record)
>>> mydf.dtypes
a    float64
b      int64
dtype: object

Answer 3

您可能想尝试将 Series 对象的字典传递给 DataFrame 构造函数 - 它可以让您对创建进行更具体的控制，并且希望更清楚发生了什么。模板版本（data1 可以是数组等）：

df = pd.DataFrame({'column1':pd.Series(data1, dtype='type1'),
                   'column2':pd.Series(data2, dtype='type2')})

还有数据示例：

df = pd.DataFrame({'A':pd.Series([1,2,3], dtype='int'),
                   'B':pd.Series([7,8,9], dtype='float')})

print (df)
   A  B
0  1  7.0
1  2  8.0
2  3  9.0

print (df.dtypes)
A     int32
B    float64
dtype: object

Answer 4

在处理数据类型时，它们应该作为字符串传递。

例如你遵循的后一种方法应该修改为

mydf = pd.DataFrame(myarray,columns=['a','b'], dtype={'a': 'int'})

而不是

mydf = pd.DataFrame(myarray,columns=['a','b'], dtype={'a': int}).

dtype (int, float etc.) 应该作为字符串给出。

或者作为替代方法（如果您不想作为字符串传递） 将 numpy 导入为 np 并使用 mydf = pd.DataFrame(myarray,columns=['a','b'], dtype={'a': np.int})