Question

我想在dtype中设置多个列的pd.Dataframe（我有一个文件，我必须手动解析为列表列表，因为该文件不适合对于pd.read_csv）

import pandas as pd
print pd.DataFrame([['a','1'],['b','2']],
                   dtype={'x':'object','y':'int'},
                   columns=['x','y'])

我得到了

ValueError: entry not a 2- or 3- tuple

我可以设置它们的唯一方法是循环遍历每个列变量并使用astype重铸。

dtypes = {'x':'object','y':'int'}
mydata = pd.DataFrame([['a','1'],['b','2']],
                      columns=['x','y'])
for c in mydata.columns:
    mydata[c] = mydata[c].astype(dtypes[c])
print mydata['y'].dtype   #=> int64

有更好的方法吗？

Answer 1

对于那些来自谷歌（等）的人，比如我自己：

convert_objects自0.17以来已被弃用 - 如果您使用它，您会收到类似这样的警告：

FutureWarning: convert_objects is deprecated.  Use the data-type specific converters 
pd.to_datetime, pd.to_timedelta and pd.to_numeric.

您应该执行以下操作：

df = df.astype(np.float)
df["A"] = pd.to_numeric(df["A"])

Answer 2

从0.17开始，您必须使用显式转换：

pd.to_datetime, pd.to_timedelta and pd.to_numeric

（如下所述，不再有“魔术”，convert_objects已被弃用0.17）

df = pd.DataFrame({'x': {0: 'a', 1: 'b'}, 'y': {0: '1', 1: '2'}, 'z': {0: '2018-05-01', 1: '2018-05-02'}})

df.dtypes

x    object
y    object
z    object
dtype: object

df

   x  y           z
0  a  1  2018-05-01
1  b  2  2018-05-02

您可以将这些应用于要转换的每列：

df["y"] = pd.to_numeric(df["y"])
df["z"] = pd.to_datetime(df["z"])    
df

   x  y          z
0  a  1 2018-05-01
1  b  2 2018-05-02

df.dtypes

x            object
y             int64
z    datetime64[ns]
dtype: object

并确认dtype已更新。

pandas的旧/弃用答案0.12 - 0.16：您可以使用convert_objects来推断更好的dtypes：

In [21]: df
Out[21]: 
   x  y
0  a  1
1  b  2

In [22]: df.dtypes
Out[22]: 
x    object
y    object
dtype: object

In [23]: df.convert_objects(convert_numeric=True)
Out[23]: 
   x  y
0  a  1
1  b  2

In [24]: df.convert_objects(convert_numeric=True).dtypes
Out[24]: 
x    object
y     int64
dtype: object

魔术！（SAD看到它弃用。）

Answer 3

您可以使用pandas DataFrame.astype(dtype, copy=True, raise_on_error=True, **kwargs)显式设置类型，并使用您想要的dtypes传递字典dtype

这是一个例子：

import pandas as pd
wheel_number = 5
car_name = 'jeep'
minutes_spent = 4.5

# set the columns
data_columns = ['wheel_number', 'car_name', 'minutes_spent']

# create an empty dataframe
data_df = pd.DataFrame(columns = data_columns)
df_temp = pd.DataFrame([[wheel_number, car_name, minutes_spent]],columns = data_columns)
data_df = data_df.append(df_temp, ignore_index=True) 

In [11]: data_df.dtypes
Out[11]:
wheel_number     float64
car_name          object
minutes_spent    float64
dtype: object

data_df = data_df.astype(dtype= {"wheel_number":"int64",
        "car_name":"object","minutes_spent":"float64"})

现在你可以看到它发生了变化

In [18]: data_df.dtypes
Out[18]:
wheel_number       int64
car_name          object
minutes_spent    float64

Answer 4

设置列类型的另一种方法是首先构造一个包含所需类型的numpy记录数组，填充它然后将其传递给DataFrame构造函数。

inline-block

Answer 5

面临类似的问题。在我的情况下，我需要手动解析来自cisco日志的1000个文件。

为了灵活使用字段和类型，我已经使用StringIO + read_cvs成功测试了，它确实接受了dtype规范的dict。

我通常将每个文件（5k-20k行）放入缓冲区并动态创建dtype词典。

最终我将这些数据帧连接到一个大型数据框（我将其转储到hdf5中）（将其分类...感谢0.19）。

沿着这些方向的东西

import pandas as pd
import io 

output = io.StringIO()
output.write('A,1,20,31\n')
output.write('B,2,21,32\n')
output.write('C,3,22,33\n')
output.write('D,4,23,34\n')

output.seek(0)


df=pd.read_csv(output, header=None,
        names=["A","B","C","D"],
        dtype={"A":"category","B":"float32","C":"int32","D":"float64"},
        sep=","
       )

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 4 columns):
A    5 non-null category
B    5 non-null float32
C    5 non-null int32
D    5 non-null float64
dtypes: category(1), float32(1), float64(1), int32(1)
memory usage: 205.0 bytes
None

不是非常pythonic ....但做的工作

希望它有所帮助。

JC

Answer 6

最好使用类型化的np.arrays，然后将数据和列名称作为字典传递。

import numpy as np
import pandas as pd
# Feature: np arrays are 1: efficient, 2: can be pre-sized
x = np.array(['a', 'b'], dtype=object)
y = np.array([ 1 ,  2 ], dtype=np.int32)
df = pd.DataFrame({
   'x' : x,    # Feature: column name is near data array
   'y' : y,
   }
 )

分配pandas dataframe列dtypes

6 个答案: