Python 是一种用于进行数据分析的出色语言，主要是因为以数据为中心的 Python 包的奇妙生态系统。Pandas 就是其中之一，它使导入和分析数据变得更加容易。
将 pandas 对象强制转换为指定的 dtype
DataFrame.astype() 函数用于将 pandas 对象转换为指定的 dtype。astype()函数还提供将任何合适的现有列转换为分类类型的能力。
代码 #1： 转换权重列数据类型。
# importing pandas as pd import pandas as pd # 从 csv 文件制作数据框 df = pd.read_csv("nba.csv") # 打印数据框的前 10 行以进行可视化 df[:10]
由于数据有一些“nan”值，所以为了避免任何错误，我们将删除所有包含任何nan 值的行。
# 删除其中包含任何“nan”值的所有行。 df.dropna(inplace = True)
# 让我们找出Weight列的数据类型 before = type(df.Weight[0]) # 现在我们将其转换为 'int64' 类型。 df.Weight = df.We<strong>ight.astype('int64') # 让我们找出转换后的数据类型 after = type(df.Weight[0]) # 打印之前的值 before # 打印 after 的值 after
输出：
# 打印数据框并查看更改后的样子 df
为输入对象列推断更好的数据类型
DataFrame.infer_objects() 函数尝试为输入对象列推断更好的数据类型。此函数尝试对对象类型化列进行软转换，使非对象列和不可转换列保持不变。推理规则与正常的 Series/DataFrame 构造期间相同。
代码 #1： 使用infer_objects()函数推断更好的数据类型。
# importing pandas as pd import pandas as pd # 创建数据框 df = pd.DataFrame({"A":["sofia", 5, 8, 11, 100], "B":[2, 8, 77, 4, 11], "C":["amy", 11, 4, 6, 9]}) # 打印数据框 print(df)
输出 ：
让我们看看数据框中每一列的dtype（数据类型）。
# 打印基本信息 df.info()
正如我们在输出中看到的，第一列和第三列是object类型。而第二列是int64类型。现在切片数据框并从中创建一个新的数据框。
# 从第一行切到最后 df_new = df[1:] # 让我们打印新的数据框 df_new # 现在让我们打印列的数据类型 df_new.info()
输出 ：
正如我们在输出中看到的，列“A”和“C”是对象类型，即使它们包含整数值。所以，让我们试试这个infer_objects()功能。
# 应用 infer_objects() 函数。 df_new = df_new.infer_objects() # 应用函数后打印 dtype df_new.info()
输出：
现在，如果我们查看每一列的 dtype，我们可以看到列“A”和“C”现在是int64类型。
检测缺失值
DataFrame.isna() 函数用于检测缺失值。它返回一个布尔值相同大小的对象，指示值是否为 NA。NA 值，例如 None 或 numpy.NaN，被映射到 True 值。其他所有内容都映射到 False 值。空字符串 ” 或 numpy.inf 等字符不被视为 NA 值（除非您设置 pandas.options.mode.use_inf_as_na = True）。
代码 #1： 使用isna()函数检测数据帧中的缺失值。
python
复制代码
# importing pandas as pd import pandas as pd # 创建数据框 df = pd.read_csv("nba.csv") # 打印数据框 df
让我们使用该isna()函数来检测缺失值。
# 检测缺失值 df.isna()
输出：
在输出中，对应于缺失值的单元格包含真值，否则为假。
检测现有/非缺失值
DataFrame.notna()函数检测数据框中的现有/非缺失值。该函数返回一个与应用它的对象大小相同的布尔对象，指示每个单独的值是否为na值。所有非缺失值都映射为 true，缺失值映射为 false。
代码 #1： 使用notna()函数查找数据框中的所有非缺失值。
# importing pandas as pd import pandas as pd # 创建第一个数据框 df = pd.DataFrame({"A":[14, 4, 5, 4, 1], "B":[5, 2, 54, 3, 2], "C":[20, 20, 7, 3, 8], "D":[14, 3, 6, 2, 6]}) # 打印数据框 print(df)
让我们使用该dataframe.notna()函数查找数据框中的所有非缺失值。
# 寻找 non-na 值 df.notna()
输出：
正如我们在输出中看到的，数据帧中的所有非缺失值都已映射为真。没有错误值，因为数据框中没有缺失值。
DataFrame中的转换方法
