我需要将一个非常大的Excel文件读入DataFrame。该文件包含字符串,整数,浮点数和布尔数据,以及丢失的数据和完全空的行。值得注意的是,某些单元格值是从单元格公式和/或VBA导出的-尽管从理论上讲应该不会影响任何内容。
正如标题所述,pandas有时将布尔值读取为float或int 1和0,而不是True和False。它似乎与空行的数量和其他数据的类型有关。为了简单起见,我只链接一个复制问题的2页Excel文件。 Boolean_1.xlsx
代码如下:
import pandas as pd
df1 = pd.read_excel('Boolean_1.xlsx','Sheet1')
df2 = pd.read_excel('Boolean_1.xlsx','Sheet2')
print(df1, '\n' *2, df2)
这是印刷品。主要注意行ZBA,这两个表中的值均相同,但数据帧中的值不同:
Name stuff Unnamed: 1 Unnamed: 2 Unnamed: 3
0 AFD a dsf ads
1 DFA 1 2 3
2 DFD 123.3 41.1 13.7
3 IIOP why why why
4 NaN NaN NaN NaN
5 ZBA False False True
Name adslfa Unnamed: 1 Unnamed: 2 Unnamed: 3
0 asdf 6.0 3.0 6.0
1 NaN NaN NaN NaN
2 NaN NaN NaN NaN
3 NaN NaN NaN NaN
4 NaN NaN NaN NaN
5 ZBA 0.0 0.0 1.0
我还可以在实际上正在处理的大文件中(是)获得整数1和0的输出,但是无法轻松复制它。
是什么原因导致这种不一致,有没有办法强迫熊猫读取应该读取的布尔值?
答案 0 :(得分:2)
按类型/列应用熊猫类型转换。通常,Pandas不适用于混合类型或object
dtype。您应该期望内部逻辑确定系列的最有效dtype。在这种情况下,Pandas选择了float
dtype作为适用于包含float
和bool
值的序列的类型。我认为这是有效而整洁的。
但是,正如您所指出的,当您具有转置的输入数据集时,这将不起作用。让我们从头开始建立一个示例:
import pandas as pd, numpy as np
df = pd.DataFrame({'A': [True, False, True, True],
'B': [np.nan, np.nan, np.nan, False],
'C': [True, 'hello', np.nan, True]})
df = df.astype({'A': bool, 'B': float, 'C': object})
print(df)
A B C
0 True NaN True
1 False NaN hello
2 True NaN NaN
3 True 0.0 True
您可以在不转置数据的情况下,更改连续对象的dtype。这将迫使系列B具有object
dtype,即存储指向任意类型的指针的系列:
df.iloc[3] = df.iloc[3].astype(bool)
print(df)
A B C
0 True NaN True
1 False NaN hello
2 True NaN NaN
3 True False True
print(df.dtypes)
A bool
B object
C object
dtype: object
我认为,这是更好的选择,因为数据类型已附加到特定类别/一系列输入数据中。
df = df.T # transpose dataframe
df[3] = df[3].astype(bool) # convert series to Boolean
print(df)
0 1 2 3
A True False True True
B NaN NaN NaN False
C True hello NaN True
print(df.dtypes)
0 object
1 object
2 object
3 bool
dtype: object
答案 1 :(得分:0)
Read_excel将基于具有值的列的第一行来确定每列的dtype。如果该列的第一行为空,则Read_excel将继续到下一行,直到找到一个值。
在Sheet1中,具有B,C和D列中的值的第一行包含字符串。因此,所有后续行将被视为这些列的字符串。在这种情况下,FALSE = False
在Sheet2中,具有B,C和D列中的值的第一行包含整数。因此,所有后续行将被视为这些列的整数。在这种情况下,FALSE = 0。