Question

我想检查数据框中的列是否由字符串组成，因此我可以用数字标记它们以用于机器学习目的。有些列由数字组成，我不想更改它们。列示例如下所示：

TRAIN FEATURES
  Age              Level  
  32.0              Silver      
  61.0              Silver  
  66.0              Silver      
  36.0              Gold      
  20.0              Silver     
  29.0              Silver     
  46.0              Silver  
  27.0              Silver

谢谢=）

Answer 1

是的，它可能。您使用dtype

import pandas as pd
import numpy as np

df = pd.DataFrame({'a': ['a','b','c','d']})
if df['a'].dtype != np.number:
    print('yes')
else:
    print('no')

您还可以使用select_dtypes

按dtype选择列

df_subset = df.select_dtypes(exclude=[np.number])
# Now apply you can label encode your df_subset

Answer 2

请注意，以上答案将包括DateTime，TimeStamp，Category 和其他数据类型。

使用object更具限制性（虽然我不确定其他dtypes是否还会object dtype）：

创建数据框：

df = pd.DataFrame({
    'a': ['a','b','c','d'], 
    'b': [1, 'b', 'c', 2], 
    'c': [np.nan, 2, 3, 4], 
    'd': ['A', 'B', 'B', 'A'], 
    'e': pd.to_datetime('today')})
df['d'] = df['d'].astype('category')

这将是这样的：

   a  b    c  d          e
0  a  1  NaN  A 2018-05-17
1  b  b  2.0  B 2018-05-17
2  c  c  3.0  B 2018-05-17
3  d  2  4.0  A 2018-05-17

您可以查看调用dtypes的类型：

df.dtypes

a            object
b            object
c           float64
d          category
e    datetime64[ns]
dtype: object

您可以使用items()方法列出字符串列，并按object进行过滤：
```
> [ col  for col, dt in df.dtypes.items() if dt == object]
['a', 'b']
```

或者您可以使用select_dtypes显示仅包含字符串的数据框：

df.select_dtypes(include=[object])
   a  b
0  a  1
1  b  b
2  c  c
3  d  2

Answer 3

这个问题提出 4 年了，我相信仍然没有明确的答案。

我不认为字符串在 Pandas 中被视为一等公民（甚至 >= 1.0.0）。举个例子：

import pandas as pd
import datetime

df = pd.DataFrame({
    'str': ['a', 'b', 'c', None],
    'hete': [1, 2.0, datetime.datetime.utcnow(), None]
})

string_series = df['str']
print(string_series.dtype)
print(pd.api.types.is_string_dtype(string_series.dtype))

heterogenous_series = df['hete']
print(heterogenous_series.dtype)
print(pd.api.types.is_string_dtype(heterogenous_series.dtype))

印刷品

object
True
object
True

所以虽然 hete 不包含任何明确的字符串，但它被认为是一个字符串系列。

阅读the documentation后，我认为确保一个系列只包含字符串的唯一方法是：

def is_string_series(s : pd.Series):
    if isinstance(s.dtype, pd.StringDtype):
        # The series was explicitly created as a string series (Pandas>=1.0.0)
        return True
    elif s.dtype == 'object':
        # Object series, check each value
        return all((v is None) or isinstance(v, str) for v in s)
    else:
        return False

Answer 4

扩大Scratch'N'Purr的答案：

>>> df = pd.DataFrame({'a': ['a','b','c','d'], 'b': [1, 'b', 'c', 2], 'c': [np.nan, 2, 3, 4]})
>>> df 
   a  b    c
0  a  1  NaN
1  b  b  2.0
2  c  c  3.0
3  d  2  4.0

>>> dict(filter(lambda x: x[1] != np.number, list(zip(df.columns, df.dtypes))))
{'a': dtype('O'), 'b': dtype('O')}

所以我添加了一些混合类型的列。您可以看到filter + dict方法产生关键：值映射，其中列的dtypes超出np.number的范围。这应该在规模上很好地运作。您还可以尝试将每列强制转换为特定类型（例如int），然后在无法将字符串列转换为ValueError时捕获int异常。有很多方法可以做到这一点。

Answer 5

我使用两步方法：首先确定是否为dtype==object，然后确定是否为第一行数据，以查看该列的数据是否为字符串。

c = 'my_column_name'
if df[c].dtype == object and isinstance(df.iloc[0][c], str):
    # do something

Answer 6

据我所知，知道有哪些类型的唯一可靠方法是检查值，然后您可以进行断言以查看它是否符合您的预期。

下面的函数将获取列中每个值的 dtypes，删除重复项，然后转换为列表，以便您可以查看/与之交互。这将让您以您希望的方式处理混合类型、对象和 NA（当然 np.nan 是 float 类型，但我将这些事情留给感兴趣的读者）

import pandas as pd

df = pd.DataFrame({"col1": [1, 2, 3, 4],
                   "col2": ["a", "b", "c", "d"],
                   "col3": [[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4]]
                   })

print(df.dtypes.to_dict())
# {'col1': dtype('int64'), 'col2': dtype('O'), 'col3': dtype('O')}

def true_dtype(df): # You could add a column filter here too
    return {col: df[col].apply(lambda x: type(x)).unique().tolist() for col in df.columns}

true_types = true_dtype(df)
print(true_types)
# {'col1': [<class 'int'>], 'col2': [<class 'str'>], 'col3': [<class 'list'>]}

print(true_types['col2'] == [str])
# True

Python：检查dataframe列是否包含字符串类型

6 个答案: