pandas 转化np数据_pandas-数据类型转换

1. Pandas数据类型

pandas做数据处理，经常用到数据转换，得到正确类型的数据。

pandas与numpy之间的数据对应关系。

重点介绍object，int64，float64，datetime64，bool等几种类型，category与timedelta两种类型这里不做介绍。

importnumpy as npimportpandas as pd#从csv文件读取数据，数据表格中只有5行，里面包含了float，string，int三种数据python类型，也就是分别对应的pandas的float64，object，int64

df = pd.read_csv("sales_data_types.csv", index_col=0)print(df)

Customer Number Customer Name 2016 2017 \

0 10002.0 Quest Industries $125,000.00 $162500.00

1 552278.0 Smith Plumbing $920,000.00 $101,2000.00

2 23477.0 ACME Industrial $50,000.00 $62500.00

3 24900.0 Brekke LTD $350,000.00 $490000.00

4 651029.0 Harbor Co $15,000.00 $12750.00

Percent Growth Jan Units Month Day Year Active

0 30.00% 500 1 10 2015 Y

1 10.00% 700 6 15 2014 Y

2 25.00% 125 3 29 2016 Y

3 4.00% 75 10 27 2015 Y

4 -15.00% Closed 2 2 2014 N

df.dtypes

Customer Number float64

Customer Name object

2016 object

2017 object

Percent Growth object

Jan Units object

Month int64

Day int64

Year int64

Active object

dtype: object

#想得到2016年与2017年的数据总和，直接相加不是我们需要的答案，因为这两列中的数据类型是object，执行该操作之后，得到是一个更加长的字符串，#通过df.info() 来获得关于数据框的更多的详细信息

df['2016']+df['2017']

0 $125,000.00$162500.00

1 $920,000.00$101,2000.00

2 $50,000.00$62500.00

3 $350,000.00$490000.00

4 $15,000.00$12750.00

dtype: object

df.info()#Customer Number 列是float64，然而应该是int64#2016 2017两列的数据是object，并不是float64或者int64格式#Percent以及Jan Units 也是objects而不是数字格式#Month，Day以及Year应该转化为datetime64[ns]格式#Active 列应该是布尔值#如果不做数据清洗，很难进行下一步的数据分析，为了进行数据格式的转化，pandas里面有三种比较常用的方法#1. astype()强制转化数据类型#2. 通过创建自定义的函数进行数据转化#3. pandas提供的to_nueric()以及to_datetime()

Int64Index: 5 entries, 0 to 4

Data columns (total 10 columns):

Customer Number 5 non-null float64

Customer Name 5 non-null object

2016 5 non-null object

20