Pandas 将数据类型从对象转换为浮点数

Question

我从.csv 文件中读取了一些天气数据作为名为“天气”的数据框。问题是其中一列的数据类型是object。这很奇怪，因为它表示温度。如何将其更改为具有 float 数据类型？我试过to_numeric，但是解析不出来。

weather.info()
weather.head()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 304 entries, 2017-01-01 to 2017-10-31
Data columns (total 2 columns):
Temp    304 non-null object
Rain    304 non-null float64
dtypes: float64(1), object(1)
memory usage: 17.1+ KB

           Temp     Rain
Date        
2017-01-01  12.4    0.0
2017-02-01  11      0.6
2017-03-01  10.4    0.6
2017-04-01  10.9    0.2
2017-05-01  13.2    0.0

Answer 1

• 您可以使用pandas.Series.astype

• 你可以这样做：

  weather["Temp"] = weather.Temp.astype(float)
  

• 您还可以使用pd.to_numeric 将列从对象转换为浮点数

• 有关如何使用它的详细信息，请查看此链接：http://pandas.pydata.org/pandas-docs/version/0.20/generated/pandas.to_numeric.html

• 例子：

  s = pd.Series(['apple', '1.0', '2', -3])
  print(pd.to_numeric(s, errors='ignore'))
  print("=========================")
  print(pd.to_numeric(s, errors='coerce'))
  

• 输出：

  0    apple
  1      1.0
  2        2
  3       -3
  =========================
  dtype: object
  0    NaN
  1    1.0
  2    2.0
  3   -3.0
  dtype: float64
  

• 在你的情况下，你可以这样做：

  weather["Temp"] = pd.to_numeric(weather.Temp, errors='coerce')
  

• 其他选项是使用convert_objects

• 示例如下

  >> pd.Series([1,2,3,4,'.']).convert_objects(convert_numeric=True)
  
  0     1
  1     2
  2     3
  3     4
  4   NaN
  dtype: float64
  

• 您可以按如下方式使用它：

  weather["Temp"] = weather.Temp.convert_objects(convert_numeric=True)
  

• 我已经向您展示了示例，因为如果您的任何列没有数字，那么它将被转换为NaN...所以在使用它时要小心。

Answer 2

我尝试了这里建议的所有方法，但遗憾的是没有一个奏效。相反，发现这是有效的：

df['column'] = pd.to_numeric(df['column'],errors = 'coerce')

然后使用：

print(df.info())

Answer 3

我最终使用了：

weather["Temp"] = weather["Temp"].convert_objects(convert_numeric=True)

它工作得很好，除了我收到以下消息。

C:\ProgramData\Anaconda3\lib\site-packages\ipykernel_launcher.py:3: FutureWarning:
convert_objects is deprecated.  Use the data-type specific converters pd.to_datetime, pd.to_timedelta and pd.to_numeric.

Answer 4

您可以尝试以下方法：

df['column'] = df['column'].map(lambda x: float(x))

Answer 5

首先检查您的数据，因为如果您使用 ',' 而不是 '.' 可能会出错 如果是这样，您需要将每个“，”转换为“。”有一个功能：

def replacee(s):
i=str(s).find(',')
if(i>0):
    return s[:i] + '.' + s[i+1:]
else :
    return s 

那么您需要在列中的每一行上应用此函数：

dfOPA['Montant']=dfOPA['Montant'].apply(replacee)

那么转换函数就可以正常工作了：

dfOPA['Montant'] = pd.to_numeric(dfOPA['Montant'],errors = 'coerce')

Answer 6

例如，将 $40,000.00 object 转换为 40000 int 或 float32

一步一步来：

$40,000.00 ---(**1**. remove $)--->  40,000.00  ---(**2**. remove , comma)--->  40000.00 ---(**3**. remove . dot)--->  4000000  ---(**4**. remove empty space)---> 4000000  ---(**5**. Remove NA Values)--->  4000000 ---(**6**. now this is object type so, convert to int using .astype(int) )---> 4000000  ---(**7**. divide by 100)---> 40000  

在 Pandas 中实现代码

table1["Price"] = table1["Price"].str.replace('$','')<br>
table1["Price"] = table1["Price"].str.replace(',','')<br>
table1["Price"] = table1["Price"].str.replace('.','')<br>
table1["Price"] = table1["Price"].str.replace(' ','')     
table1 = table1.dropna()<br>
table1["Price"] = table1["Price"].astype(int)<br>
table1["Price"] = table1["Price"] / 100<br> 

终于搞定了