수색…
비고
dtypes는 팬더가 원산지가 아닙니다. 그것들은 numpy에 가까운 판다 건축 결합의 결과입니다.
열의 dtype은 어떤 식 으로든 열에 포함 된 객체의 파이썬 유형과 상관 관계가 없습니다.
여기에는 수레가있는 pd.Series 가 있습니다. dtype은 float 입니다.
그런 다음 우리는 astype 을 사용하여 객체에 "캐스팅"합니다.
pd.Series([1.,2.,3.,4.,5.]).astype(object)
0 1
1 2
2 3
3 4
4 5
dtype: object
dtype은 이제 객체이지만 목록의 객체는 여전히 부동 상태입니다. 파이썬에서 모든 것이 객체이고, 객체에 업 캐스팅 될 수 있다는 것을 알고 있다면 Logical.
type(pd.Series([1.,2.,3.,4.,5.]).astype(object)[0])
float
여기서 우리는 수레를 문자열로 "캐스팅"하려고합니다.
pd.Series([1.,2.,3.,4.,5.]).astype(str)
0 1.0
1 2.0
2 3.0
3 4.0
4 5.0
dtype: object
이제 dtype은 object이지만 목록의 항목 유형은 string입니다. 이것은 numpy 가 문자열을 처리하지 않기 때문에 마치 객체와 관심사가 아닌 것처럼 작동합니다.
type(pd.Series([1.,2.,3.,4.,5.]).astype(str)[0])
str
dtypes를 신뢰하지 마십시오. 그들은 판다의 건축 결함의 유물입니다. 반드시 지정해야하지만 dtype이 열에 설정되어있는 것에 의존하지 마십시오.
열의 유형 확인
열 유형은 .dtypes 속성을 통해 확인할 수 있습니다.
In [1]: df = pd.DataFrame({'A': [1, 2, 3], 'B': [1.0, 2.0, 3.0], 'C': [True, False, True]})
In [2]: df
Out[2]:
A B C
0 1 1.0 True
1 2 2.0 False
2 3 3.0 True
In [3]: df.dtypes
Out[3]:
A int64
B float64
C bool
dtype: object
단일 계열의 경우 .dtype 특성을 사용할 수 있습니다.
In [4]: df['A'].dtype
Out[4]: dtype('int64')
dtype 변경하기
astype() 메서드는 Series의 dtype을 변경하고 새로운 Series를 반환합니다.
In [1]: df = pd.DataFrame({'A': [1, 2, 3], 'B': [1.0, 2.0, 3.0],
'C': ['1.1.2010', '2.1.2011', '3.1.2011'],
'D': ['1 days', '2 days', '3 days'],
'E': ['1', '2', '3']})
In [2]: df
Out[2]:
A B C D E
0 1 1.0 1.1.2010 1 days 1
1 2 2.0 2.1.2011 2 days 2
2 3 3.0 3.1.2011 3 days 3
In [3]: df.dtypes
Out[3]:
A int64
B float64
C object
D object
E object
dtype: object
열 A의 유형을 부동으로 변경하고 열 B를 정수로 입력하십시오.
In [4]: df['A'].astype('float')
Out[4]:
0 1.0
1 2.0
2 3.0
Name: A, dtype: float64
In [5]: df['B'].astype('int')
Out[5]:
0 1
1 2
2 3
Name: B, dtype: int32
astype() 메소드는 특정 유형 변환 (예 : .astype(float64') , .astype(float32) 또는 .astype(float16) )을위한 것입니다. 일반적인 변환의 경우 pd.to_numeric , pd.to_datetime 및 pd.to_timedelta 사용할 수 있습니다.
유형을 숫자로 변경
pd.to_numeric 은 값을 숫자 유형으로 변경합니다.
In [6]: pd.to_numeric(df['E'])
Out[6]:
0 1
1 2
2 3
Name: E, dtype: int64
입력을 숫자로 변환 할 수없는 경우 기본적으로 pd.to_numeric 은 오류를 발생 pd.to_numeric . errors 매개 변수를 사용하여 해당 동작을 변경할 수 있습니다.
# Ignore the error, return the original input if it cannot be converted
In [7]: pd.to_numeric(pd.Series(['1', '2', 'a']), errors='ignore')
Out[7]:
0 1
1 2
2 a
dtype: object
# Return NaN when the input cannot be converted to a number
In [8]: pd.to_numeric(pd.Series(['1', '2', 'a']), errors='coerce')
Out[8]:
0 1.0
1 2.0
2 NaN
dtype: float64
필요한 경우 입력이있는 모든 행을 확인하여 숫자로 변환 할 수 없습니다 isnull 사용하여 boolean indexing 사용 :
In [9]: df = pd.DataFrame({'A': [1, 'x', 'z'],
'B': [1.0, 2.0, 3.0],
'C': [True, False, True]})
In [10]: pd.to_numeric(df.A, errors='coerce').isnull()
Out[10]:
0 False
1 True
2 True
Name: A, dtype: bool
In [11]: df[pd.to_numeric(df.A, errors='coerce').isnull()]
Out[11]:
A B C
1 x 2.0 False
2 z 3.0 True
유형을 datetime으로 변경
In [12]: pd.to_datetime(df['C'])
Out[12]:
0 2010-01-01
1 2011-02-01
2 2011-03-01
Name: C, dtype: datetime64[ns]
2.1.2011은 2011 년 2 월 1 dayfirst 됩니다. 2011 년 1 월 2 일을 대신 사용하려면 dayfirst 매개 변수를 사용해야합니다.
In [13]: pd.to_datetime('2.1.2011', dayfirst=True)
Out[13]: Timestamp('2011-01-02 00:00:00')
유형을 timedelta로 변경
In [14]: pd.to_timedelta(df['D'])
Out[14]:
0 1 days
1 2 days
2 3 days
Name: D, dtype: timedelta64[ns]
dtype을 기반으로 열 선택
select_dtypes 메소드는 dtype을 기반으로 컬럼을 선택하는 데 사용될 수 있습니다.
In [1]: df = pd.DataFrame({'A': [1, 2, 3], 'B': [1.0, 2.0, 3.0], 'C': ['a', 'b', 'c'],
'D': [True, False, True]})
In [2]: df
Out[2]:
A B C D
0 1 1.0 a True
1 2 2.0 b False
2 3 3.0 c True
include 및 exclude 매개 변수를 사용하여 원하는 유형을 지정할 수 있습니다.
# Select numbers
In [3]: df.select_dtypes(include=['number']) # You need to use a list
Out[3]:
A B
0 1 1.0
1 2 2.0
2 3 3.0
# Select numbers and booleans
In [4]: df.select_dtypes(include=['number', 'bool'])
Out[4]:
A B D
0 1 1.0 True
1 2 2.0 False
2 3 3.0 True
# Select numbers and booleans but exclude int64
In [5]: df.select_dtypes(include=['number', 'bool'], exclude=['int64'])
Out[5]:
B D
0 1.0 True
1 2.0 False
2 3.0 True
dtyp 요약
get_dtype_counts 메소드를 사용하여 dtypes의 분석을 볼 수 있습니다.
In [1]: df = pd.DataFrame({'A': [1, 2, 3], 'B': [1.0, 2.0, 3.0], 'C': ['a', 'b', 'c'],
'D': [True, False, True]})
In [2]: df.get_dtype_counts()
Out[2]:
bool 1
float64 1
int64 1
object 1
dtype: int64