Pandas数据类型

大多数情况下，Pandas使用NumPy数组、Series或DataFrame里某列的数据类型。NumPy支持float、int、bool、timedelta[ns]、datetime64[ns]，NumPy是不支持带时区信息的datetime。
Pandas与第三方支持库扩充了NumPy类型系统，接下来我们主要来介绍Pandas的内部扩展。
Pandas的扩展类型，如下表所示

Pandas用object存储字符串。
虽然，object数据类型能够存储任何对象，但我们要尽量避免这样做。
DataFrame的dtypes属性用起来很方便，以Series形式返回每列的数据类型。

要查看Series的数据类型，用dtype属性。

Pandas对象单列中含多种类型的数据时，该列的数据类型为可适配于各类数据的数据类型，通常为object。

DataFrame.dtypes.value_用于统计DataFrame里不同数据类型的列数。

多种数值型数据类型可以在DataFrame里共存。如果只传递一种数据类型，不论是通过dtype关键字直接传递，还是通过ndarray或Series传递，都会保存至DataFrame操作。此外，不同数值型数据类型不会并和。

默认值

整数的默认类型为int64，浮点数的默认类型为float64，这里的默认值与系统平台无关，不管是32位系统，还是64位系统都是一样的。下列代码返回的结果都是int64：

但是我们要注意，NumPy创建数组时，会根据系统选择类型。下列代码在32位系统上将返回int32。

向上转型

与其它类型合并时，用的是向上转型，指的是从现有类型转换为另一种类型，如int转换为float。

DataFrame.to_numpy()返回多个数据类型里用得最多的数据类型，这里指的是，输出结果的数据类型，适用于所有同构NumPy数组的数据类型。此处强制执行向上转型。

astype

astype()方法显式地把一种数据类型转换为另一种，默认操作为 复制数据，就算数据类型没有改变也会复制数据，copy=False改变默认操作模式。此外，astype无效时，会触发异常。
向上转型一般都遵循NumPy规则，操作中含有两种不同类型地数据时，返回更为通用地那种数据类型。

用astype把一列或多列转换为指定类型。

astype通过字典指定哪些列转换为哪些类型。


注意用astype与loc()为部分列转换指定类型时，会发生向上转型。
loc()尝试分配当前地数据类型，而[]则会从右方获取数据类型并进行覆盖。因此，下列代码会发生意料之外地结果：

对象转换

Pandas提供了多种函数可以把object从一种数据类型转换为另一种类型。这是因为，数据有时存储的是正确类型，但在保存时却存成了object类型，此时，用DataFrame.infer_objects()
与Series.infer_objects()方法即可把数据转换为正确的类型。

因为数据被转置，所以把原始列的数据类型改成了object，但使用infer_objects后就变正确了。

下列函数可以应用于一维数组与标量，执行硬转换，把对象转换为指定类型。
to_numeric()转换为数值型

to_datetime()转换为datetime对象

to_timedelta()转换为timedelta对象。

如需强制转换，则要加入error参数，指定Pandas怎样处理不能转换为预期类型或对象的数据。errors参数的默认值为False，指定的是在转换过程中，遇到任何问题都触发错误。设置为errors=‘coerce’时，pandas会忽略错误，强制把问题数据转换为pd.NaT（datetime与timedelta），或np.nan（数值型）。读取数据时，如果大部分要转换的数据是数值型或detetime，这种操作非常有用，但偶尔也会有非制式数据混合在一起，可能会导致展示数据缺失：

error参数还有第三个选项，error=’ignore’。转换数据时会忽略错误，直接输出问题数据：

执行转换操作时，to_numeric还有一个参数，downcast，即向下转型，可以把数值型转换为减少内存占用的数据类型：

上述方法仅能应用于一维数组、列表或标量；不能直接用于DataFrame等多维对象。不过，用apply()，可以快速为每列应用函数：

以上就是Pandas数据类型的所有内容了，希望对你有所帮助。

如果你想学习Python，但是找不到学习路径和资源，欢迎上指尖编程。

高效的在线交互式学Python！